2

我有这样的灰度图像：

在此处输入图像描述 我想检测这种图像的异常情况。在第一张图像（左上）我想检测三个点，在第二张（右上）有一个小点和一个“雾区”（在右下），最后一个，有也是图像中间某处的一个小点。

正常的静态阈值对我来说不起作用，而且 Otsu 的方法始终是最佳选择。有没有更好、更强大或更智能的方法来检测这样的异常？在 Matlab 中，我使用了类似 Frangi 过滤（特征值过滤）的东西。任何人都可以提出好的处理算法来解决这样的表面上的异常检测吗？

编辑：添加了另一个带有标记异常的图像：

在此处输入图像描述

使用@Tapio 的顶帽过滤和对比度调整。由于@Tapio 为我们提供了如何增加表面异常对比度的好主意，就像我在开始时询问的那样，我向大家提供了我的一些结果。我有这样的图像： 在此处输入图像描述

这是我如何使用顶帽过滤和对比度调整的代码：

kernel = getStructuringElement(MORPH_ELLIPSE, Size(3, 3), Point(0, 0));
morphologyEx(inputImage, imgFiltered, MORPH_TOPHAT, kernel, Point(0, 0), 3);  
imgAdjusted = imgFiltered * 7.2;

结果在这里：

在此处输入图像描述

仍然存在如何从最后一张图像中分割异常的问题？因此，如果有人知道如何解决它，那就接受吧！:) ??

4

3 回答 3

4

你应该看看底帽过滤。它被定义为原始图像的差异和图像的形态闭合，它使小细节，例如你正在寻找的那些闪光。

第一个图像对

第二个图像对

第三对图像

我调整了对比度以使两个图像都可见。在查看强度时，异常更加明显，并且更容易分割出来。

让我们看一下第一张图片：

需要分割精度

由于我使用的可视化工具引起的缩放，直方图值不代表现实。然而，相对距离确实如此。所以现在阈值范围更大了，目标从窗户变成了谷仓门。

全局阈值（强度 > 15）：

全局阈值化后

Otsu 的方法在这里效果不佳。它将所有小细节分割到前景。

通过形态开放去除噪声后：

形态开放后

我还假设黑点是您感兴趣的异常。通过将阈值设置得较低，您可以包含更多的表面细节。例如第三张图片在我看来没有任何特别有趣的特征，但那是你判断的。就像 m3h0w 所说的那样，如果您的眼睛难以判断某件事，那么计算机可能无法判断，这是一个很好的启发式方法。

于 2017-02-27T17:13:35.407 回答
2

@ skoda23，我会尝试使用模糊部分的微调参数进行锐化掩蔽，以便强调高频并对其进行彻底测试，以免在此过程中丢失任何重要信息。请记住，期望计算机完成超人类的工作通常不是一个好主意。如果人类对异常在哪里有疑问，计算机将不得不这样做。因此，首先对图像进行预处理很重要，这样异常对于人眼来说是显而易见的。非锐化掩蔽（或添加）的替代方案可能是 CLAHE。但同样：记住要非常小心地对其进行微调 - 它可能会过多地突出电路板的纹理并干扰您的任务。

基本阈值或 Otsu 的替代方法AdaptiveThreshold()可能是一个好主意，因为您要查找的不同区域之间的强度值存在差异。

我的第二个猜测是首先对最暗的点使用固定值阈值，然后尝试 Sobel 或 Canny。应该存在一个最佳邻域，其中电路板的纹理不会那么亮，并且异常会。您还可以在边缘检测之前尝试模糊（如果您使用阈值检测到小缺陷）。

再说一遍：对这个方法的每一步都进行大量实验是至关重要的，因为微调参数对于最终成功至关重要。我建议与trackbar交朋友，以加快进程。祝你好运！

于 2017-02-27T08:37:33.933 回答
2

你基本上是在处理现实是模拟的不幸事实。阈值是一种将模拟范围转换为离散（二进制）范围的方法。任何阈值都可以做到这一点。那么，“足够好”的阈值到底是什么意思？

让我们暂时搁置这个想法。我看到很多异常现象——有点像灰色的细小蠕虫。显然，你忽略了它们。我应用的阈值与你不同。这可能是合理的，但您正在应用我没有的领域知识。

我怀疑这些灰色蠕虫会抛弃您的固定值阈值。这并不是说固定阈值的想法不好。您可以使用它来查找一些工件并排除它们。会遗漏一些较暗的斑块，但可以通过将每个像素替换为其邻域的中值，使用比这些蠕虫的宽度更大的邻域大小来消除。在黑暗的补丁中，这几乎没有作用，但它消除了小的局部变化。

我不假装这两种类型的异常是唯一的两种，但这确实是一个应用程序领域的问题，而不是关于技术的问题。例如，您似乎没有光照伪影（反射），至少在这 3 个样本中没有。

于 2017-02-27T11:36:12.777 回答