物体の数え方とラベリング

ラベリングとは、画像のつながった白いかたまりに、1つずつ番号を付ける方法です。付けた番号の最大が、物体の数になります。

レジのトレーの写真から、硬貨の枚数を自動で数えるときも、この方法を使います。かたまりごとの大きさも分かるので、硬貨の種類まで分けられます。

マスクの 1 が隣り合ってつながると、1つのかたまりになります。これを連結領域と呼びます。かたまりが1つの物体です。

どこまでを隣とするかには、2つの決め方があります。上下左右だけの4近傍と、斜めも入れた8近傍です。

この格子で、3行目の 1 と、4行目の 1 は、斜めに触れています。4近傍では別々の物体で、全部で 6 個です。8近傍では1つにつながり、5 個です。

scikit-image の label は、初期設定が8近傍です。connectivity=1 を付けると4近傍になります。

docker exec jupyter python3 -c "import numpy as np; from skimage import measure; g = np.array([[1,0],[0,1]]); print(measure.label(g).max(), measure.label(g, connectivity=1).max())"

次のスクリプトは、しきい値 100 でコインの画像をマスクにして、かたまりに番号を付けます。番号の最大と、かたまりごとの面積を表示します。

出力は英語です。objects found は見つけた物体の数、areas in pixels は、ピクセルで表した面積です。

docker exec jupyter python3 steps/count.py

物体は 9 個です。画像にコインを9枚描いたので、数が合っています。面積は、657 が3つ、1313 が3つ、2553 が3つです。

面積が3つに分かれるので、小、中、大の3種類のコインがあると分かります。

rows = 3
columns = 4
row = 0
column = 0
neighbours = []
for step in [[-1, 0], [1, 0], [0, -1], [0, 1]]:
    r = row + step[0]
    c = column + step[1]
    if 0 <= r < rows and 0 <= c < columns:
        neighbours.append([r, c])
print("上下左右の隣:", neighbours)
# row を 1、column を 1 に変えて、もう一度実行します。
# 隣は、いくつになりますか。

テンプレートマッチングは、小さな部品の画像を、大きな画像のすべての位置に当てて、どこがいちばん似ているかを探す方法です。似ている度合いが点数で、1.0 が完全な一致です。

ラボのスクリプトは、コインの画像の一部を切り出し、その場所を探させます。出力の best match は、いちばん似た位置、match score は点数です。

docker exec jupyter python3 steps/find.py