Python – OpenCV – есть ли способ «заполнить» ожидаемый контур?

Вот один из способов сделать это в Python/OpenCV.

Поскольку вы не публиковали фактические входные файлы и не снимки экрана, я взял ваше изображение и обрезал его, чтобы получить в качестве входных данных черно-белое изображение маски.

• Прочитайте маску ввода
• Преобразовать в оттенки серого
• порог Оцу
• Примените морфологию, чтобы убрать мелкие пятна.
• Возьмите выпуклую оболочку и нарисуйте ее белой заливкой на черном фоне.
• Получите круги Хафа для выпуклой оболочки. Настраивайте Mindist и Minradius до тех пор, пока не получите один круг, а не нулевой.
• Нарисуйте круг Хафа на копии ввода
• Сохранить результаты
• Показать результаты

Вход:

import cv2
import numpy as np

# Read image
img = cv2.imread('input_mask.png')
hh, ww = img.shape[:2]

# Convert to grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# threshold
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]

# apply morphology to clean up small spots leaving only two largest ones
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
morph = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
morph = cv2.morphologyEx(morph, cv2.MORPH_CLOSE, kernel)

# get convex hull
points = np.column_stack(np.where(morph.transpose() > 0))
hull = cv2.convexHull(points)

# draw convex hull in white filled on black 
hull_img = np.zeros_like(morph)
cv2.fillPoly(hull_img, [hull], 255)

# get Hough circles
circles = cv2.HoughCircles(hull_img, cv2.HOUGH_GRADIENT, 1, minDist=210, param1=150, param2=10, minRadius=40, maxRadius=100)
print(circles)

# draw circles
result = img.copy()
for circle in circles[0]:
    # draw the circle in the output image, then draw a rectangle
    # corresponding to the center of the circle
    (x,y,r) = circle
    x = int(x)
    y = int(y)
    r = int(r)
    cv2.circle(result, (x, y), r, (0, 0, 255), 1)

# ALTERNATELY: get minEnclosingCircle
center, radius = cv2.minEnclosingCircle(hull)
cx = int(round(center[0]))
cy = int(round(center[1]))
rr = int(round(radius))

# draw minEnclosingCircle over copy of input
result2 = img.copy()
cv2.circle(result2, (cx,cy), rr, (0, 0, 255), 1)

# save results
cv2.imwrite('input_mask_morph.png', morph)
cv2.imwrite('input_mask_convex_hull.png', hull_img)
cv2.imwrite('input_mask_circle3.png', result)
cv2.imwrite('input_mask_circle3b.png', result2)

# show images
cv2.imshow('thresh', thresh)
cv2.imshow('morph', morph)
cv2.imshow('convex hull', hull_img)
cv2.imshow('result', result)
cv2.imshow('result2', result2)
cv2.waitKey(0)
cv2.destroyAllWindows()

Морфологически очищенное изображение:

Выпуклое изображение корпуса:

Результирующий круг на копии ввода:

Результирующий круг из minEnclosingCircle на входе:

Вот еще один вариант того, что я написал ранее в качестве ответа, который вычисляет либо круг Хафа, либо минимальный охватывающий круг. В этом посте я вычисляю наименьшие квадраты, подходящие выпуклой оболочке к кругу после чтения входных данных, преобразования в оттенки серого, определения порога и использования морфологии для очистки небольших пятен. Наименьшее количество квадратов, соответствующих кругу, взято из scipy по адресу https://scipy-cookbook.readthedocs.io/items/Least_Squares_Circle.html. Однако подход с минимальным охватывающим кругом, показанный ранее, кажется лучшим (и самым простым) из трех подходов для входных данных в этом примере.

Вход:

import cv2
import numpy as np
from scipy import optimize

# Read image
img = cv2.imread('input_mask.png')
hh, ww = img.shape[:2]

# Convert to grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# threshold
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]

# apply morphology to clean up small spots leaving only two largest ones
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
morph = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
morph = cv2.morphologyEx(morph, cv2.MORPH_CLOSE, kernel)

# get convex hull
points = np.column_stack(np.where(morph.transpose() > 0))
hull = cv2.convexHull(points)
x = hull[:,:,0]
y = hull[:,:,1]

# draw convex hull over copy of input 
hull_img = img.copy()
cv2.polylines(hull_img, [hull], True, (0,0,255), 1)

# compute least squares fit to circle using scipy optimize
# see https://scipy-cookbook.readthedocs.io/items/Least_Squares_Circle.html
# == METHOD 1 ==
method_1 = 'algebraic'
# coordinates of the barycenter
x_m = np.mean(x)
y_m = np.mean(y)
# calculation of the reduced coordinates
u = x - x_m
v = y - y_m
# linear system defining the center in reduced coordinates (uc, vc):
#    Suu * uc +  Suv * vc = (Suuu + Suvv)/2
#    Suv * uc +  Svv * vc = (Suuv + Svvv)/2
Suv  = np.sum(u*v)
Suu  = np.sum(u**2)
Svv  = np.sum(v**2)
Suuv = np.sum(u**2 * v)
Suvv = np.sum(u * v**2)
Suuu = np.sum(u**3)
Svvv = np.sum(v**3)
# Solving the linear system
A = np.array([ [ Suu, Suv ], [Suv, Svv]])
B = np.array([ Suuu + Suvv, Svvv + Suuv ])/2.0
uc, vc = np.linalg.solve(A, B)
# Calculate center
xc = x_m + uc
yc = y_m + vc
# Calculate distances from the center (xc, yc) and average radius
Ri = np.sqrt((x-xc)**2 + (y-yc)**2)
R = np.mean(Ri)
residual = np.sum((Ri-R)**2)
residual2= np.sum((Ri**2-R**2)**2)
print('')
print ("center:",(xc,yc), "radius:",R, "residual:",residual)
print('')

# draw circle
result = img.copy()
xc = int(xc)
yc = int(yc)
R = int(R)
cv2.circle(result, (xc, yc), R, (0, 0, 255), 1)

# save results
cv2.imwrite('input_mask_morph.png', morph)
cv2.imwrite('input_mask_convex_hull2a.png', hull_img)
cv2.imwrite('input_mask_circle4a.png', result)

# show images
cv2.imshow('thresh', thresh)
cv2.imshow('morph', morph)
cv2.imshow('convex hull', hull_img)
cv2.imshow('result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

Морфологически очищенное изображение:

Выпуклая оболочка на копии входных данных:

Результирующий круг наименьших квадратов на копии входных данных: