以ImageJ分析影片中物體的座標及路徑
用tracker分析植物生長動態
用tracker追蹤綠豆向光性
以ImageJ分析影片中物體的座標及路徑
我覺得imagej在處理影片是比較麻煩一點，因為還得先把影片轉換呈圖片，再匯入成TIFF檔之後，才能進行處理。而Tracker因為本來就是針對影片分析而發展的軟體，所以使用上自然是方便許多，不過要分析物體移動上，還是得用半手動地指定位置去做追蹤。
這樣有點難滿足我某部份的分析需求，比方說我如果想要分析即時的影像，那就不能用Tracker來做了。於是我想那就直接寫程式來分析吧，經過幾天摸索學習後，我使用python加上 OpenCV來實做。
使用的環境是Ubuntu 16.04+python 2.7+ OpenCV3.0，這安裝的門檻算有點高，就是要一直輸入文字去安裝，還好有教學文件，照著貼上去執行就可以。（不過編譯的時候，有一點小問題，後來把出現的訊息拿去拜google，跟著改一個小地方也就解決了）
安裝的教學文件連結
Ubuntu 16.04: How to install OpenCV
那個編譯錯誤的訊息是顯示 fatal error: hdf5.h: No such file or directory
解決方式就是如這篇，把下面這兩行，加到 modules/python/common.cmake底下就可以
OpenCV是非常完整豐富的函式庫，只要知道要用什麼函式，一行一行堆進去，就可以作到需要的效果，以下就是分析的影片。
最上面是原始檔，第二個是把移動物體的輪廓抓出來，第三個是用這個輪廓把車輛的影像抓出，第四個則是在原圖上加上那個輪廓框線。學習的參考文件，完全就是從這個網站來的
OpenCV-Python Tutorials
就可以拿來分析webcam的影像了
不過目前卡關了，因為還在摸索怎麼去把不同frame裡的車運算得知那是「同一部車」。
想要學習這樣的分析，原因之一是想到生物分析也會用到這樣的技術，過去看到一篇研究，有人拍攝螞蟻的動態，然後分析出有一半的螞蟻其實都是站著不動的，並非窩裡每一隻都會跑來跑去工作的。像這樣的研究，人工快轉去分析也是可以啦，但是如果程式可以代勞，那就可以得知很多不同的訊息了。
===================
#!/usr/bin/env python
import numpy as np
import cv2
cap = cv2.VideoCapture('output.mp4')
fgbg = cv2.createBackgroundSubtractorMOG2()
kernel = np.ones((11,11),np.uint8)
while(cap.isOpened()):
ret, frame = cap.read()
road=frame[475:644,250:1200]
fgmask = fgbg.apply(road) #backgroun
fgmask = cv2.GaussianBlur(fgmask,(5,5),0) #GaussianBlue
ret,fgmask = cv2.threshold(fgmask,150,255,cv2.THRESH_BINARY) #Threshold
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel) #Morphological transformations-open
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_CLOSE, kernel) #Morphological transformations-close
car = cv2.bitwise_and(road,road,mask = fgmask) #get car real images
fgmask_inv = cv2.bitwise_not(fgmask) #inverse car mask
white=road.copy()
white[:,:]=255 #make white road background
road_withoutCar = cv2.bitwise_and(white,white,mask = fgmask_inv) #road -car_mask
whiteroad_car = cv2.add(road_withoutCar,car) #road + car
image, contours, hierarchy = cv2.findContours(fgmask.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) #contour
#print len(contours)
car_contour1=road.copy()
car_contour1 = cv2.drawContours(car_contour1, contours, -1, (0,255,0), 3) #draw car contour
car_contour2=road.copy()
car_contour3=road.copy()
car_contour4=road.copy()
for i in range(len(contours)):
cnt = contours[i]
M = cv2.moments(cnt)
area = cv2.contourArea(cnt)
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
car_contour2 = cv2.drawContours(car_contour2, [approx], -1, (0,255,0), 3) #draw car contour
hull = cv2.convexHull(cnt)
car_contour3 = cv2.drawContours(car_contour3, [hull], -1, (0,255,0), 3) #draw car contour
x,y,w,h = cv2.boundingRect(cnt)
car_contour4 = cv2.rectangle(car_contour4,(x,y),(x+w,y+h),(0,255,0),2)
#cv2.imshow('road',road)
cv2.imshow('fgmask',fgmask)
cv2.imshow('car',car)
#cv2.imshow('road_white',whiteroad_car)
#cv2.imshow('car_contour1',car_contour1)
#cv2.imshow('car_contour2',car_contour2)
#cv2.imshow('car_contour3',car_contour3)
cv2.imshow('car_contour4',car_contour4)
#cv2.imshow('carBoundary',carBoundary)
k = cv2.waitKey(20) & 0xff
if k == 27:
break
cap.release()
cv2.destroyAllWindows()
ind_package(HDF5)
include_directories(${HDF5_INCLUDE_DIRS})
OpenCV是非常完整豐富的函式庫，只要知道要用什麼函式，一行一行堆進去，就可以作到需要的效果，以下就是分析的影片。
最上面是原始檔，第二個是把移動物體的輪廓抓出來，第三個是用這個輪廓把車輛的影像抓出，第四個則是在原圖上加上那個輪廓框線。學習的參考文件，完全就是從這個網站來的
OpenCV-Python Tutorials
完整程式碼在最底下，如果我要做即時分析，也只要修改這行
cap = cv2.VideoCapture('output.mp4')
改成
cap = cv2.VideoCapture(0)就可以拿來分析webcam的影像了
不過目前卡關了，因為還在摸索怎麼去把不同frame裡的車運算得知那是「同一部車」。
想要學習這樣的分析，原因之一是想到生物分析也會用到這樣的技術，過去看到一篇研究，有人拍攝螞蟻的動態，然後分析出有一半的螞蟻其實都是站著不動的，並非窩裡每一隻都會跑來跑去工作的。像這樣的研究，人工快轉去分析也是可以啦，但是如果程式可以代勞，那就可以得知很多不同的訊息了。
===================
#!/usr/bin/env python
import numpy as np
import cv2
cap = cv2.VideoCapture('output.mp4')
fgbg = cv2.createBackgroundSubtractorMOG2()
kernel = np.ones((11,11),np.uint8)
while(cap.isOpened()):
ret, frame = cap.read()
road=frame[475:644,250:1200]
fgmask = fgbg.apply(road) #backgroun
fgmask = cv2.GaussianBlur(fgmask,(5,5),0) #GaussianBlue
ret,fgmask = cv2.threshold(fgmask,150,255,cv2.THRESH_BINARY) #Threshold
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel) #Morphological transformations-open
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_CLOSE, kernel) #Morphological transformations-close
car = cv2.bitwise_and(road,road,mask = fgmask) #get car real images
fgmask_inv = cv2.bitwise_not(fgmask) #inverse car mask
white=road.copy()
white[:,:]=255 #make white road background
road_withoutCar = cv2.bitwise_and(white,white,mask = fgmask_inv) #road -car_mask
whiteroad_car = cv2.add(road_withoutCar,car) #road + car
image, contours, hierarchy = cv2.findContours(fgmask.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) #contour
#print len(contours)
car_contour1=road.copy()
car_contour1 = cv2.drawContours(car_contour1, contours, -1, (0,255,0), 3) #draw car contour
car_contour2=road.copy()
car_contour3=road.copy()
car_contour4=road.copy()
for i in range(len(contours)):
cnt = contours[i]
M = cv2.moments(cnt)
area = cv2.contourArea(cnt)
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
car_contour2 = cv2.drawContours(car_contour2, [approx], -1, (0,255,0), 3) #draw car contour
hull = cv2.convexHull(cnt)
car_contour3 = cv2.drawContours(car_contour3, [hull], -1, (0,255,0), 3) #draw car contour
x,y,w,h = cv2.boundingRect(cnt)
car_contour4 = cv2.rectangle(car_contour4,(x,y),(x+w,y+h),(0,255,0),2)
#cv2.imshow('road',road)
cv2.imshow('fgmask',fgmask)
cv2.imshow('car',car)
#cv2.imshow('road_white',whiteroad_car)
#cv2.imshow('car_contour1',car_contour1)
#cv2.imshow('car_contour2',car_contour2)
#cv2.imshow('car_contour3',car_contour3)
cv2.imshow('car_contour4',car_contour4)
#cv2.imshow('carBoundary',carBoundary)
k = cv2.waitKey(20) & 0xff
if k == 27:
break
cap.release()
cv2.destroyAllWindows()
