简单的物体识别
===已解决===
感谢大家的建议和评论。通过研究《Python可视化入门》这本书中的洪水填充算法（第9章 - 图像处理），我实现了我想要的功能。我可以数出图像中的物体，获取每个物体的外接矩形（因此可以得到高度和宽度），最后可以为每个物体构建NumPy数组或矩阵。
虽然这个方法不是最优的，但它能满足我的需求。我使用的源代码（lab2.py）和png文件（lab2-particles.png）已经放在http://code.google.com/p/ccnworks/source/browse/#svn/trunk/AtSc450上。
你需要安装NumPy和PIL，以及matplotlib来查看直方图。代码的核心在于objfind函数，这里是主要的递归对象搜索操作。
还有一个更新：
SciPy的ndimage.label()也能完美实现我想要的功能。
感谢David-Warde Farley和Zachary Pincus，他们在NumPy和SciPy的邮件列表中给了我很好的建议 :)
=============
你好，
我有一张图片，里面包含了通过粒子光谱仪测量的冰粒子的阴影。我想识别每个物体，以便后续进行分类和进一步计算。
简单来说，我想实现一个模糊选择工具，这样我就可以轻松选择每个实体。
我该如何简单地解决这个问题？（最好使用Python）
谢谢。
注意：在我的问题中，我将每个特定的连通像素称为物体或实体。我打算提取它们并创建NumPy数组表示，如下所示。（这里我使用的是左上角的物体；如果像素存在则用1表示，不存在则用0表示。这个物体的形状是3乘3，对应于3个像素的高度和3个像素的宽度。这些是实际冰粒子在二维平面上的投影，假设它们是球形的，等效半径为（高度+宽度）/2，后面会进行一些从像素到实际尺寸和体积计算的缩放。）
import numpy as np
np.array([[1,1,1], [1,1,1], [0,0,1]])
array([[1, 1, 1],
[1, 1, 1],
[0, 0, 1]])
这是我将要使用的图像的一部分。
5 个回答
我以前在显微照片上做这种分析，后来把需要的功能都整合到一个用C语言写的图像处理和分析软件包里，通过Tcl来操作。这个软件包只处理512 x 512的图像，这也解释了为什么512这个数字出现得这么频繁。虽然有些图像的像素大小不同，但大部分工作都是用8位像素完成的，这就是为什么会提到0xff和图像上最大有效像素值为254的原因。
简单来说，Tcl命令开头的'zz'会把后面的内容发送给软件包的解析器，然后调用相应的C语言程序来处理这些参数。在'zz'后面是一个参数，表示命令的输入和输出。（可以有多个输入，但只能有一个输出。）'r'表示一个512 x 512 x 8位的图像。第三个词是要调用的命令名；'graphs'是用来标记图像的，具体内容在下面的文字中有说明。所以，'zz rr graphs'的意思是'调用ZZ解析器；输入一个r图像到graphs命令，并返回一个r图像。' Tcl命令行的其余部分则指定了要使用的预分配图像。（'g'图像是一个感兴趣区域图像；几乎所有ZZ操作都是在ROI控制下进行的。）因此，'r1 r1 g8'的意思是'使用r1作为输入，使用r1作为输出（也就是说，标记输入图像本身），并在图像g8（即r8，作为ROI使用）对应的像素值大于0的地方进行操作。
我觉得这个软件包在网上找不到，但如果你想查看源代码或者甚至编译整个程序，我很乐意把它发给你。这是手册中的一段摘录（不过我觉得现在看手册时发现了一些错误，真是尴尬……）：
示例6. 计数特征。
问题
计数是一个常见的任务。被计数的项目称为“特征”，通常需要仔细准备图像，以确保特征与要计数的真实物体一一对应。不过在这里，我们不考虑图像准备，而是关注计数的过程。第一个计数练习是找出目录./cells中的图像有多少个特征。
方法
首先，我们定义一下“特征”。特征是指可以通过从一个已设置的像素沿着上下左右的路径（北、南、东、西）到达的所有“设置”（非零）像素的最大组合。检测和标记图像上这些特征的zz命令是“zz rr graphs R:src R:dest G:ROI”，之所以这样称呼，是因为这种特征的数学术语是“图”。如果图像上的所有像素都被设置，那么图像上就只有一个图，但它包含262144个像素（512 * 512）。如果像素以棋盘格的方式设置和清除（等于零），那么将会有131072个图，但每个图只包含一个像素。简单来说，“zz rr graphs”从图像的左上角开始，逐行扫描，直到找到一个已设置的像素，然后找到所有通过上下左右相连的已设置像素（“4连通”）。它会把这个图中的所有像素设置为1（0x01）。在找到并标记图1后，它会从首次发现图1的像素之后开始扫描，这次会忽略已经属于某个图的像素。它找到的前254个图会被唯一标记；但之后找到的所有图都会被标记为255（0xff），因此无法区分。准确计数任何数量图的关键是分阶段处理每个图像，也就是说，先找出图像上的图的数量，如果数量超过254，就删除刚找到的254个图，重复这个过程，直到找到254个或更少的图。Tcl语言提供了设置控制这个操作的手段。
让我们开始构建需要的命令，先把ZZ图像文件读入R图像，并检测和标记图。处理循环之前，我们声明并初始化一个变量，用来保存图像系列中的特征总数。在处理循环中，我们首先读取图像文件到R图像，并检测和标记图。
zz ur to $inDir/$img r1
zz rr graphs r1 r1 g8
接下来，我们初始化一些变量来跟踪计数，然后使用“ra max”命令来检查是否检测到超过254个图。
set nGraphs [ zz ra max r1 a1 g1 ]
如果nGraphs等于255，那么应该将254个准确计数的图加到总数中，1到254的图应该被删除，并重复计数，直到图的数量减少到255以下。
while {$nGraphs == 255} {
incr sumGraphs 254
zz rbr lt r1 155 r1 g1 0 255
set sumGraphs 0
zz rr graphs r1 r1 g8
set nGraphs [ zz ra max r1 a1 g8 ]
}
当“while”循环结束时，变量nGraphs必须保存一个小于255的数字，也就是准确计数的图的数量；这个数量会加到图像系列的特征总数中。
incr sumGraphs $nGraphs
在处理循环之后，打印出在系列中找到的特征总数。
puts “Total number of features in $inDir \
images $beginImg through $endImg is $sumGraphs.”
在处理循环之后，打印出在系列中找到的特征总数。
根据你提供的图片，接下来你只需要使用一个简单的 区域生长算法。
如果我是用MATLAB的话，我会用 bwlabel 或者 bwboundaries 这两个函数。我相信在 Numpy 中也有类似的函数，或者可以使用 OpenCV 和Python的封装，正如@kwatford所建议的那样。
从左上角开始，逐个检查每个方块，按从左到右、从上到下的顺序。
当你遇到一个蓝色方块时：
a. 记下这个方块的位置，作为一个新物体的标记。
b. 找出所有相连的蓝色方块（比如查看这个方块的邻居，再查看那些邻居的邻居，依此类推），并把它们标记为同一个物体的一部分。
继续扫描。
当你发现另一个蓝色方块时，先检查一下它是否已经属于一个已知的物体，然后再进行第二步；或者在第二步的b中，找到一个方块后就把它从未标记的方块中删除。