水稻粒数

Question

考虑这10张不同数量的白米未煮谷物的图片。

这些只是缩略图。单击图像以查看完整大小的图像。

答：

B：

C：

D：

E：

F：

G：

H：

我：

J：

谷物计数：A: 3, B: 5, C: 12, D: 25, E: 50, F: 83, G: 120, H:150, I: 151, J: 200

注意到..。

• 谷物可能相互接触，但它们从不重叠。粮食的布局从来不超过一粒高。
• 这些图像有不同的尺寸，但由于相机和背景是静止的，所以它们的尺度是一致的。
• 这些颗粒永远不会超出边界，也不会触及图像边界。
• 背景总是相同的相同的黄白色的颜色。
• 小的和大的都是一粒一粒的。

这5点是所有这类图像的保证。

挑战

编写一个程序，接收这样的图像，并尽可能准确地计算稻谷的数量。

您的程序应该获取图像的文件名，并打印它计算出来的颗粒数。您的程序必须至少为这些图像文件格式中的一种工作: JPEG、Bitmap、PNG、GIF、TIFF (现在这些图像都是JPEG格式)。

您可以使用图像处理和计算机视觉库。

您可能不会硬编码10个示例图像的输出。你的算法应该适用于所有类似的稻谷图像。如果图像面积小于2000*2000像素，并且有不到300粒大米，它应该能够在像样的现代计算机上运行不到5分钟。

评分

对于这10幅图像中的每一幅，都取实际颗粒数减去程序预测的颗粒数的绝对值。把这些绝对值加起来，得到你的分数。得分最低者获胜。0的分数是完美的。

如果结果是平局，最高投票的答案将获胜。我可以在额外的图像上测试你的程序，以验证它的有效性和准确性。

Answer 1

Mathematica，得分: 7

i = {"http://i.stack.imgur.com/8T6W2.jpg",  "http://i.stack.imgur.com/pgWt1.jpg", 
     "http://i.stack.imgur.com/M0K5w.jpg",  "http://i.stack.imgur.com/eUFNo.jpg", 
     "http://i.stack.imgur.com/2TFdi.jpg",  "http://i.stack.imgur.com/wX48v.jpg", 
     "http://i.stack.imgur.com/eXCGt.jpg",  "http://i.stack.imgur.com/9na4J.jpg",
     "http://i.stack.imgur.com/UMP9V.jpg",  "http://i.stack.imgur.com/nP3Hr.jpg"};

im = Import /@ i;

我认为这些函数的名称有足够的描述性：

getSatHSVChannelAndBinarize[i_Image]             := Binarize@ColorSeparate[i, "HSB"][[2]]
removeSmallNoise[i_Image]                        := DeleteSmallComponents[i, 100]
fillSmallHoles[i_Image]                          := Closing[i, 1]
getMorphologicalComponentsAreas[i_Image]         := ComponentMeasurements[i, "Area"][[All, 2]]
roundAreaSizeToGrainCount[areaSize_, grainSize_] := Round[areaSize/grainSize]

同时处理所有图片：

counts = Plus @@@
  (roundAreaSizeToGrainCount[#, 2900] & /@
      (getMorphologicalComponentsAreas@
        fillSmallHoles@
         removeSmallNoise@
          getSatHSVChannelAndBinarize@#) & /@ im)

(* Output {3, 5, 12, 25, 49, 83, 118, 149, 152, 202} *)

得分是：

counts - {3, 5, 12, 25, 50, 83, 120, 150, 151, 200} // Abs // Total
(* 7 *)

在这里，您可以看到分数敏感性wrt所使用的晶粒大小：

Answer 2

Python + OpenCV：

得分27

水平线扫描

想法:扫描图像，一次只扫描一行。对于每一行，计算遇到的米粒数(检查像素是变黑到白还是相反)。如果这条线的谷物数量增加(与前一行相比)，那就意味着我们遇到了一个新的谷物。如果这个数字减少，就意味着我们通过了一颗谷物。在这种情况下，将+1添加到总结果中。

Number in red = rice grains encountered for that line
Number in gray = total amount of grains encountered (what we are looking for)

由于算法的工作方式，有一个干净的，b/w图像是很重要的。许多噪音会产生不好的结果。首先使用洪水(类似于Ell应答的溶液)清除主背景，然后应用阈值产生黑白结果。

它远非完美，但在简单性方面却产生了良好的效果。可能有很多方法来改进它(通过提供更好的b/w图像，在其他方向(例如:垂直、对角线)扫描平均值等.)

import cv2
import numpy
import sys

filename = sys.argv[1]
I = cv2.imread(filename, 0)
h,w = I.shape[:2]
diff = (3,3,3)
mask = numpy.zeros((h+2,w+2),numpy.uint8)
cv2.floodFill(I,mask,(0,0), (255,255,255),diff,diff)
T,I = cv2.threshold(I,180,255,cv2.THRESH_BINARY)
I = cv2.medianBlur(I, 7)

totalrice = 0
oldlinecount = 0
for y in range(0, h):
    oldc = 0
    linecount = 0
    start = 0   
    for x in range(0, w):
        c = I[y,x] < 128;
        if c == 1 and oldc == 0:
            start = x
        if c == 0 and oldc == 1 and (x - start) > 10:
            linecount += 1
        oldc = c
    if oldlinecount != linecount:
        if linecount < oldlinecount:
            totalrice += oldlinecount - linecount
        oldlinecount = linecount
print totalrice

每个图像的错误: 0，0，0，3，0，12，4，0，7，1

Answer 3

Python + OpenCV: 84

这是第一次天真的尝试。它采用了人工调节参数的自适应阈值，关闭了一些随后发生腐蚀和稀释的洞，并从前景区域推导出晶粒数。

import cv2
import numpy as np

filename = raw_input()

I = cv2.imread(filename, 0)
I = cv2.medianBlur(I, 3)
bw = cv2.adaptiveThreshold(I, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 101, 1)

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (17, 17))
bw = cv2.dilate(cv2.erode(bw, kernel), kernel)

print np.round_(np.sum(bw == 0) / 3015.0)

在这里，您可以看到中间的二进制图像(黑色是前景)：

每幅图像的误差分别为0、0、2、2、4、0、27、42、0和7粒。