今天是2021春节的最后一个工作日，同事已陆续离开，鉴于我回家没什么事，so 学习一篇博客再回家。
这篇博客是上一篇 使用Python，OpenCV查找图像中的最亮点 的进阶，将介绍如何使用Python和OpenCV检测图像中的多个亮的区域。
主要通过应用阈值化显示图像中最亮的区域来完成。
关键是阈值化步骤——如果阈值化后的图像非常嘈杂，无法使用轮廓属性或连接组件分析进行过滤，那么将无法定位图像中的每个明亮区域。
因此，应该首先通过应用各种阈值技术（如简单阈值，大津阈值，自适应阈值，甚至是GrabCut）来评估输入图像，并可视化结果。只要可以合理地从图像的较暗，不相关的区域中分割出较亮的区域，那么这个方法将非常有用；
1. 效果图
原始图 VS 效果图：
可以看到图左原始图中有多个亮的灯泡，在图右效果图中每个亮的区域都被成功标记。
下一个效果图将每一步的步骤图如下图所示：
原始图如下，图中有5个电灯泡，目标是检测图中的5个电灯泡并进行唯一标记
转换为灰度图，平滑后如图：
阈值化图像，以显示出亮的区域，效果图如下左图thresh1
对于小的噪点，运用一系列腐蚀、膨胀操作消除，效果图如下右图thresh2：可以看到干净了许多，但仍有一些噪点要消除**
thresh2中遗留的小的分离噪点，可应用连接组件分析去除。然后应用轮廓检测，检测到每一个亮的区域，并展示如下：
原图 VS 效果图如下：
2. 源码
# USAGE
# python detect_bright_spots.py --image images/lights_01.png
# 导入必要的包
from imutils import contours
from skimage import measure
import numpy as np
import argparse
import imutils
import cv2
dict = {
}
def imageShow(name, image, end=False):
cv2.imshow(name, image)
cv2.waitKey(0)
# dict[name] = image
# if end:
# for i, j in enumerate(dict.items()):
# name = str("image/" + str(i + 1) + j[0] + ".jpg")
# print(name)
# cv2.imshow(name, j[1])
# cv2.waitKey(0)
# cv2.imwrite(str("image/" + str(i + 1) + ".jpg"), j[1])
# 构建命令行参数及解析
# --image 原始图像路径
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to the image file")
args = vars(ap.parse_args())
# 从磁盘加载图像，将其转换为灰度图，平滑（即模糊）以减少高频噪声：
image = cv2.imread(args["image"])
origin = image.copy()
imageShow("origin", origin)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (11, 11), 0)
imageShow("gray", gray)
imageShow("blurred", blurred)
imageShow("gray VS blurred", np.hstack([gray, blurred]))
# 要显示模糊图像中最亮的区域，需要应用阈值
# 对平滑后的图像应用阈值化方法，以显示出亮的区域
# 对任何像素值p> = 200并将其设置为255（白色）。 <200的像素值设置为0（黑色）。
thresh = cv2.threshold(blurred, 200, 255, cv2.THRESH_BINARY)[1]
imageShow("thresh1", thresh)
# 图像中还存在一些噪点（即小斑点），可通过执行一系列腐蚀和扩张来对其进行清理：
# 应用一系列腐蚀、膨胀来消除小的噪点
thresh = cv2.erode(thresh, None, iterations=2)
thresh = cv2.dilate(thresh, None, iterations=4)
imageShow("thresh2", thresh)
# 应用腐蚀膨胀操作后，阈值图像要干净得多，但仍有一些斑点要清除
# 该项目的关键步骤是在上图中标记每个区域。但是，即使在应用侵蚀和膨胀之后，仍然希望过滤掉所有剩余的“嘈杂”区域。一个很好的方法是执行连接组件分析：
# 在阈值化的图像上应用连接组件分析，初始化mask来存储最大的元素
# 使用scikit-image库执行实际的连接组件分析
labels = measure.label(thresh, neighbors=8, background=0)
mask = np.zeros(thresh.shape, dtype="uint8")
# 遍历唯一的组件
for (i, label) in enumerate(np.unique(labels)):
# 如果是黑色标记，过滤
if label == 0:
continue
# 否则，构建组件mask并计数像素数
labelMask = np.zeros(thresh.shape, dtype="uint8")
labelMask[labels == label] = 255
numPixels = cv2.countNonZero(labelMask)
# 如果组件足够大，超过300个像素则加入大斑点蒙版中
if numPixels > 300:
mask = cv2.add(mask, labelMask)
imageShow("mask" + str(i), mask)
# 请注意，如何过滤掉所有小斑点，并且仅保留大斑点。
# 找到蒙版图像中的轮廓，并从左到右排序
cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
cnts = contours.sort_contours(cnts)[0]
# 遍历所有轮廓
for (i, c) in enumerate(cnts):
# 绘制图像中亮的光点
# 计算轮廓的最小包围圆，代表图像中亮的区域
(x, y, w, h) = cv2.boundingRect(c)
((cX, cY), radius) = cv2.minEnclosingCircle(c)
cv2.circle(image, (int(cX), int(cY)), int(radius),
(0, 0, 255), 3)
cv2.putText(image, "#{}".format(i + 1), (x, y - 15),
cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)
# 展示输出图像
imageShow("ResImage", image, True)
imageShow("origin VS ResImage", np.hstack([origin, image]))
cv2.destroyAllWindows()