我正在开发一个应用程序，用于识别圆形/椭圆形内类似线条的特征。这些形状看起来如下所示（这里展示了两个）：
- 形状本身可以在圆形和椭圆形之间略有变化。
- 每个形状内部最多有5条线，这些线大致位于形状的相同区域。
- 这些线在长度、粗细、旋转和曲度上可能略有不同。
- 这些线有时可能会轻微接触/交叉。
- 通常有确切的5条线，但偶尔可能完全缺少一条线。
- 我对颜色不关心，黑白阈值处理就足够了。
每个对象（总共100多个）将通过视频单独捕获；捕获过程是手动/物理操作（即每次我都手持相机）。我完全控制相机，因此可以为每次捕获一致地定位相机。
目前我正在尝试使用OpenCV进行识别。我能够修改样本“人脸识别”应用程序，使用另一个Haar标识符XML文件，但这似乎只能处理外部圆形/椭圆形的检测。
我希望为每个样本生成一个对象，以描述5条内部线条以便进一步处理：
{ 1: { length: 20, avg_thick: 2.3 }, 2: { length: 4, avg_thick: 2.0 }, 3: { length: 9.1, avg_thick: 2.1 }, 4: { length: 2, avg_thick: 1.9 }, 5: { length: 17, avg_thick: 2.1 }}这是我第一次涉及图像识别项目。应该使用/研究哪些算法或程序来实现这个目标？谢谢！
更新：
由于图像是手动拍摄的，它们并非纯黑白。尝试应用阈值处理时，形状内部的（微弱）线条有时会消失。我如何改进阈值处理结果？
回答：
如果线条大致是直的，可以使用霍夫变换来查找所有线条，并使用圆形版本的霍夫变换来查找所有圆形/椭圆形（然后你可以检查是否找到了边界圆形/椭圆形，以及哪些线条在其内部，例如）。
如果线条不是直的：你的意思是“狭长的区域”而不是线条，对吗？:) 你需要先进行阈值处理，然后进行骨架化。有用的教程：“使用OpenCV-Python进行骨架化”。由于你还需要宽度（=从骨架到边缘的距离），请使用skimage.morphology.medial_axis(…, return_distance=True)。你可能还需要某种方法来遍历每个骨架的分支并修剪短分支（很遗憾，没有现成的解决方案可以做到这一点）。
Haar类型的方法完全不适用，它只能在特征具有固定相对位置和形状的情况下（即使是理论上）工作。你需要某种几何特征提取算法，而不是图像识别。
编辑： Python示例代码：
import numpy, scipy, scipy.ndimage, skimage.morphology, matplotlib.pyplotimg = scipy.ndimage.imread("test.png")# 快速且粗略的阈值处理binary_img = img[:,:,0] < 0.1# 骨架化skel_binary, skel_distances = skimage.morphology.medial_axis(binary_img, return_distance=True)# 查找单个线条structure_element = scipy.ndimage.generate_binary_structure(2,2)skel_labels, num_skel_labels = scipy.ndimage.measurements.label(skel_binary, structure=structure_element)for n in range(1, num_skel_labels + 1): # 为这条线创建一个二进制标签 line = (skel_labels == n) # 从骨架计算宽度 mean_width = 2 * numpy.mean( skel_distances[ line ] ) print "line %d: width %f" % (n, mean_width) # 你需要某种方法来查找线条的末端 # 或许是最远的一对点？# 显示标签# 圆圈也被标记# 你需要某种方法来检查哪个标签是圆圈并排除它matplotlib.pyplot.imshow(skel_labels)matplotlib.pyplot.show()
这对你上面发布的图像产生了合理的结果，并且（为了检查线条粗细是否有效）对这些图像的10倍放大版本也有效。它不处理交叉的线条，也许你可以为此使用图形算法。你确实需要以某种方式排除外部圆圈（似乎总是n=1，因为标记是从左上角开始的，它找到的第一个标记区域是圆圈）。
编辑： 如何（或是否）进行阈值处理是一个有趣的问题。你可以尝试自动阈值处理，可能是基于Otsu方法，或者基于高斯混合（示例）。我认为你可能会通过某种背景和前景颜色和亮度的统计模型，结合局部自适应阈值处理，获得最佳结果。这真的取决于你的图像的性质。
