Introducción de objetos tipo polígono (círculos, cuadrados, rectángulos) y texto en imágenes con OpenCV

En este artículo se adaptó un código para incrementar el contraste de una imagen RGB y mejorar su nitidez. Se tiene en mente como objetivo la posibilidad de identificar objetos de una misma clase y contarlos (tales como plantas de cultivo).

Sin embargo, el proceso no es trivial. Los clasificadores de cascada de Haar proporcionados por OpenCV (es decir, los detectores de Viola-Jones), para el reconocimiento de objetos, si bien son extremadamente rápidos requieren mucho tiempo de entrenamiento y producen detecciones falsas positivas.

Por tanto, en este post sólo se va a probar la colocación de diferentes objetos de tipo polígono (círculos, cuadrados, rectángulos) y texto que corresponden al resultado de los diferentes algoritmos una vez que han "identificado" la consulta. El código probado se encuentra a continuación:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149

from skimage.exposure import rescale_intensity import numpy as np import argparse import cv2 def convolve(image, kernel): # grab the spatial dimensions of the image, along with # the spatial dimensions of the kernel (iH, iW) = image.shape[:2] (kH, kW) = kernel.shape[:2] # allocate memory for the output image, taking care to # "pad" the borders of the input image so the spatial # size (i.e., width and height) are not reduced pad = (kW - 1) / 2 image = cv2.copyMakeBorder(image, pad, pad, pad, pad, cv2.BORDER_REPLICATE) output = np.zeros((iH, iW), dtype="float32") # loop over the input image, "sliding" the kernel across # each (x, y)-coordinate from left-to-right and top to # bottom for y in np.arange(pad, iH + pad): for x in np.arange(pad, iW + pad): # extract the ROI of the image by extracting the # *center* region of the current (x, y)-coordinates # dimensions roi = image[y - pad:y + pad + 1, x - pad:x + pad + 1] # perform the actual convolution by taking the # element-wise multiplicate between the ROI and # the kernel, then summing the matrix k = (roi * kernel).sum() # store the convolved value in the output (x,y)- # coordinate of the output image output[y - pad, x - pad] = k # rescale the output image to be in the range [0, 255] output = rescale_intensity(output, in_range=(0, 255)) output = (output * 255).astype("uint8") # return the output image return output # construct average blurring kernels used to smooth an image smallBlur = np.ones((7, 7), dtype="float") * (1.0 / (7 * 7)) largeBlur = np.ones((21, 21), dtype="float") * (1.0 / (21 * 21)) # construct a sharpening filter #sharpen = np.array(( # [0, -1, 0], # [-1, 5, -1], # [0, -1, 0]), dtype="int") sharpen = np.array(( [-1, -1, -1], [-1, 9, -1], [-1, -1, -1]), dtype="int") #pag. 56 book emboss = np.array(( [-2, -1, 0], [-1, 1, 1], [ 0, 1, 2]), dtype="int") #sharpen = np.array(( # [-2, -2, -2], # [-2, 17, -2], # [-2, -2, -2]), dtype="int") #sharpen = np.array(( # [-3, -3, -3], # [-3, 25, -3], # [-3, -3, -3]), dtype="int") # construct the Laplacian kernel used to detect edge-like # regions of an image laplacian = np.array(( [0, 1, 0], [1, -4, 1], [0, 1, 0]), dtype="int") # construct the Sobel x-axis kernel sobelX = np.array(( [-1, 0, 1], [-2, 0, 2], [-1, 0, 1]), dtype="int") # construct the Sobel y-axis kernel sobelY = np.array(( [-1, -2, -1], [0, 0, 0], [1, 2, 1]), dtype="int") # construct the kernel bank, a list of kernels we're going # to apply using both our custom `convole` function and # OpenCV's `filter2D` function kernelBank = ( #("small_blur", smallBlur), #("large_blur", largeBlur), ("sharpen", sharpen), #("emboss", emboss), #("laplacian", laplacian), #("sobel_x", sobelX), #("sobel_y", sobelY) ) # load the input image and convert it to grayscale #image = cv2.imread("/home/zeito/Desktop/convolutions-opencv/palma.tif") image = cv2.imread("/home/zeito/Desktop/convolutions-opencv/utah_lake.tif") gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # loop over the kernels for (kernelName, kernel) in kernelBank: # apply the kernel to the grayscale image using both # our custom `convole` function and OpenCV's `filter2D` # function print("[INFO] applying {} kernel".format(kernelName)) convoleOutput = convolve(gray, kernel) opencvOutput = cv2.filter2D(gray, -1, kernel) #ddepth=-1, the output image will have the same depth as the source. #opencvOutput2 = cv2.filter2D(image, -1, kernel) #ddepth=-1, the output image will have the same depth as the source. # show the output images #cv2.imshow("original1", gray) #cv2.namedWindow('original2', cv2.WINDOW_NORMAL) cv2.rectangle(image,(500,30),(680,330),(0,255,0),2) cv2.circle(image,(300,100), 63, (0,0,255), 2) cv2.circle(image,(300,300), 63, (255,255,0), -1) cv2.ellipse(image,(750,256),(50,100),0,0,360,(255,0,255),2) pts = np.array([[10,5],[20,400],[100,200],[50,10]], np.int32) cv2.polylines(image,[pts],True,(0,255,255),2) """'FONT_HERSHEY_COMPLEX', 'FONT_HERSHEY_COMPLEX_SMALL', 'FONT_HERSHEY_DUPLEX', 'FONT_HERSHEY_PLAIN', 'FONT_HERSHEY_SCRIPT_COMPLEX', 'FONT_HERSHEY_SCRIPT_SIMPLEX', 'FONT_HERSHEY_SIMPLEX', 'FONT_HERSHEY_TRIPLEX', 'FONT_ITALIC'""" font = cv2.FONT_HERSHEY_TRIPLEX cv2.putText(image,'utah_lake.tif',(40,440), font, 3,(255,255,255),2) cv2.imshow("original2", image) #cv2.imshow("{} - convole".format(kernelName), convoleOutput) #cv2.namedWindow('emboss - opencv1', cv2.WINDOW_NORMAL) cv2.imshow("{} - opencv1".format(kernelName), opencvOutput) # cv2.imshow("{} - opencv2".format(kernelName), opencvOutput2) cv2.waitKey(0) cv2.destroyAllWindows()

Después de ejecutado en la Python Console de QGIS se obtiene lo siguiente:

Es de hacer notar que OpenCV trabaja con índices de fila, columna por lo que en el caso de los SIGs se hace necesario la transformación de coordenadas x, y a estos valores.