今天学习blob的可用于斑点检测，其实这个斑点只是普通的这么叫法，专业点是的Blob是图像中共享某些共同属性(例如灰度值)的一组连接的像素。
如下图是今天检测的试验图
算法过程是：
1：Thresholding（二值化过程）：通过对源图像进行阈值化，将源图像转换为若干二值图像，阈值从minThreshold开始。这些阈值通过thresholdStep递增，直到maxThreshold。所以第一个阈值是minThreshold，第二个是minThreshold + thresholdStep，第三个是minThreshold + 2 x thresholdStep，以此类推。
2：Grouping：在每个二值图像中，相互之间的白色像素被组合在一起。我们称这些为二值blobs。
3：Merging：计算二值图像中二值blobs的中心，并合并距离小于minDistBetweenBlobs 的 blobs。
4：Center & Radius Calculation：计算并返回新合并的blobs 的中心和半径。
# 导入库
import cv2
import numpy as np
def cv_show_image(name, img):
cv2.imshow(name, img)
cv2.waitKey(0) # 等待时间，单位是毫秒，0代表任意键终止
cv2.destroyAllWindows()
# Blob是图像中共享某些共同属性(例如灰度值)的一组连接的像素。也可以说是斑点之类的。也就是一块相同的区域。
# 这一点在特征检测中也是有提到的。
# 读取图像，并且转为灰度图
img = cv2.imread("images/blob.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 用默认参数设置检测器
detector = cv2.SimpleBlobDetector_create()
# 检测blobs，得到一堆的关键点，之前我们在SIFT特征检测中也是得到了这个信息。
keypoints = detector.detect(gray)
keypoints_array = np.array(keypoints)
print(keypoints_array.shape)
for kp in keypoints:
print("关键点的位置是: pt[0]:{}\tpt[1]:{}\tangle:{}\tsize:{}".format(
kp.pt[0], kp.pt[1], kp.angle, kp.size))
# 用红色圆圈画出检测到的blobs
# cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS 确保圆的大小对应于blob的大小
im_with_keypoints = cv2.drawKeypoints(gray, keypoints_array,
np.array([]), (0, 0, 255),
cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
# 结果显示
cv_show_image("Keypoints", im_with_keypoints)
使用默认参数情况下的效果：
发现有一些没有检测上，我们试着更改下参数试一试，比如调整二值化的阈值，调宽一些，面积的范围放宽一些，圆度放宽一点。
# 导入库
import cv2
import numpy as np
def cv_show_image(name, img):
cv2.imshow(name, img)
cv2.waitKey(0) # 等待时间，单位是毫秒，0代表任意键终止
cv2.destroyAllWindows()
# 读取图像
im = cv2.imread("images/blob.jpg", cv2.IMREAD_GRAYSCALE)
# 设置SimpleBlobDetector参数
params = cv2.SimpleBlobDetector_Params()
# 改变阈值
# 只会检测minThreshold 和 maxThreshold之间的
params.minThreshold = 10
params.maxThreshold = 240
# 按Color：首先，您需要设置filterByColor = 1。
# 设置blobColor = 0来选择较暗的Blobs，设置blobColor = 255来选择较亮的Blobs。
params.filterByColor = True
params.blobColor = 0
# 根据面积过滤
# 按大小:可以根据大小过滤Blobs，方法是设置参数filterByArea = 1，以及适当的minArea和maxArea值。
# 例如，设置minArea = 100将过滤掉所有像素个数小于100的Blobs。
params.filterByArea = True
params.minArea = 10
params.maxArea = 1000
# 根据Circularity过滤，这个参数是(圆度)
# 这只是测量了这个blob与圆的距离。正六边形的圆度比正方形高。
# 要根据圆度进行过滤，设置filterByCircularity = 1。然后设置适当的minCircularity和maxCircularity值。
params.filterByCircularity = True
params.minCircularity = 0.1
# 根据Convexity过滤，这个参数是(凹凸性)
# 凸性定义为(Blob的面积/它的凸包的面积)。现在，凸包的形状是最紧的凸形状，完全包围了形状。
# 设置filterByConvexity = 1，然后设置0≤minConvexity≤1和maxConvexity(≤1)。
params.filterByConvexity = True
params.minConvexity = 0.14
params.maxConvexity = 1
# 根据Inertia过滤,惯性比
# 它衡量的是一个形状的伸长程度。例如，对于圆，这个值是1，对于椭圆，它在0和1之间，对于直线，它是0。
# 初步可以认为是外接矩形的长宽比，圆的外接矩形的长宽相等，椭圆是有长短轴，短轴长度除以长轴长度，介于0~1
# 直线可以认为没有宽度，因此是0
params.filterByInertia = True
params.minInertiaRatio = 0.01
# 创建一个带有参数的检测器
detector = cv2.SimpleBlobDetector_create(params)
# 检测blobs
keypoints = detector.detect(im)
keypoints_array = np.array(keypoints)
print(keypoints_array.shape)
# 用红色圆圈画出检测到的blobs
# cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS 确保圆的大小对应于blob的大小
im_with_keypoints = cv2.drawKeypoints(im, keypoints, np.array([]), (0, 0, 255),
cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
# 结果显示
cv_show_image("Keypoints", im_with_keypoints)
调整完参数的效果是：
本文学习自
https://blog.csdn.net/weixin_43229348/article/details/120448954