Trouver l'orientation de l'objet à l'aide PCA

Question

Je veux trouver l'orientation de l'objet lumineux dans les images jointes. À cette fin, j'ai utilisé l'analyse en composantes principales (ACP).

Dans le cas de l'image 1, PCA trouve une orientation correcte lorsque le premier composant principal est aligné dans cette direction. Cependant, dans le cas de l'image 2, les composants principaux sont désorientés.

Quelqu'un peut-il expliquer pourquoi la PCA montre des résultats différents dans les deux images? Aussi, s'il vous plaît suggérer s'il y a une autre méthode pour trouver l'orientation de l'objet.

import os 
import gdal 
import matplotlib 
import matplotlib.pyplot as plt 
import numpy as np 
import skimage 
from skimage.filters import threshold_otsu 
from skimage.filters import try_all_threshold 
import cv2 
import math 
from skimage import img_as_ubyte 
from skimage.morphology import convex_hull_image 
import pandas as pd 

file="path to image file" 

(fileRoot, fileExt)= os.path.splitext(file) 

ds = gdal.Open(file) 
band = ds.GetRasterBand(1) 
arr = band.ReadAsArray() 
geotransform = ds.GetGeoTransform() 
[cols, rows] = arr.shape 
thresh = threshold_otsu(arr) 
binary = arr > thresh 
points = binary>0 
y,x = np.nonzero(points) 
x = x - np.mean(x) 
y = y - np.mean(y) 
coords = np.vstack([x, y]) 
cov = np.cov(coords) 
evals, evecs = np.linalg.eig(cov) 
sort_indices = np.argsort(evals)[::-1] 
evec1, evec2 = evecs[:, sort_indices] 
x_v1, y_v1 = evec1 
x_v2, y_v2 = evec2 
scale = 40 
plt.plot([x_v1*-scale*2, x_v1*scale*2], 
     [y_v1*-scale*2, y_v1*scale*2], color='red') 
plt.plot([x_v2*-scale, x_v2*scale], 
     [y_v2*-scale, y_v2*scale], color='blue') 
plt.plot(x,y, 'k.') 
plt.axis('equal') 
plt.gca().invert_yaxis() 
plt.show() 
theta = np.tanh((x_v1)/(y_v1)) * 180 /(math.pi) 

Answer 1

Vous prétendez que vous utilisez uniquement des pixels blancs. Avez-vous vérifié quels sont ceux qui sont sélectionnés par un rendu de superposition? En tout cas je ne pense pas que cela soit suffisant surtout pour votre deuxième image car elle ne contient aucun pixel blanc complètement saturé. J'utiliserais plus de traitement avant la PCA.

1. améliorer dynamique

   vos images actuelles n'a pas besoin de cette étape car ils contiennent à la fois noir et presque complètement saturé blanc. Cette étape permet d'unifier les valeurs de seuil entre plusieurs images d'entrée d'échantillon. Pour plus d'informations, voir:

   • Enhancing dynamic range and normalizing illumination

2. lisser un peu

   cette étape significative amant l'intensité des points de bruit et lisser les bords des objets plus gros (mais les réduire une bit). Ceci peut être fait par n'importe quel filtre FIR ou par convolution ou par filtrage gaussien. Certains utilisent également des opérateurs de morphologie pour cela.

3. seuil par intensité

   cela supprimer les pixels les plus sombres (claires à noir), donc le bruit est complètement enlevé

4. agrandir les objets restant par les opérateurs de morphologie retour à l'ancien taille

   Vous pouvez éviter cela en agrandissant l'OBB résultant de quelques pixels (le nombre est lié à la force lisse de # 2).

5. appliquent maintenant OBB recherche

   Vous utilisez PCA afin de l'utiliser.J'utilise ceci:

   • How to Compute OBB of Multiple Curves?

Quand j'ai essayé vos images avec l'approche ci-dessus (sans # 4) Je suis arrivé ces résultats:

Un autre problème que j'ai remarqué avec votre deuxième image est qu'il n'y a pas beaucoup de blanc pixels dedans. Cela peut biaiser le PCA de manière significative en particulier sans pré-traitement. Je voudrais essayer d'agrandir l'image par filtrage bicubique et l'utiliser comme entrée. Peut-être que c'est le seul problème que vous avez avec lui.