我正在寻找图像二值化的最佳自适应阈值方法。但是我对黑暗和模糊的图像有任何问题。
输入图像:
当我使用自适应阈值方法时,我收到此
输出图像:
这对我不好!
那么,有人可以帮我解决这个问题吗?
另一张图片:
和 :
@Hammer'solution 的第一个看起来非常糟糕(我必须选择 c 通道),第二个我可以使用自适应阈值正常。
所以我想为所有情况找到最佳解决方案。
再次感谢!
我正在寻找图像二值化的最佳自适应阈值方法。但是我对黑暗和模糊的图像有任何问题。
输入图像:
当我使用自适应阈值方法时,我收到此
输出图像:
这对我不好!
那么,有人可以帮我解决这个问题吗?
另一张图片:
和 :
@Hammer'solution 的第一个看起来非常糟糕(我必须选择 c 通道),第二个我可以使用自适应阈值正常。
所以我想为所有情况找到最佳解决方案。
再次感谢!
看起来颜色比强度更好地指示图像中的分割。尝试将其转换为 HSV,然后在 H 通道上运行 OTSU。
在蟒蛇
hsv = cv2.cvtColor(image, cv2.cv.CV_BGR2HSV)
cv2.imshow('hsv', hsv[:,:,0])
(thresh, im_bw) = cv2.threshold(hsv[:,:,0], 128, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
cv2.imshow('OTSU', im_bw)
给出 (hsv)
然后(大津)
有点腐蚀和膨胀,你应该很高兴
您可能对openCV 使用的这些自适应阈值感兴趣。
我使用了自适应平均阈值。您可能需要稍微调整一下参数,但如果您的图像相似(相同大小等),希望不需要太多调整。
# Smooth image
filtered = cv2.adaptiveThreshold(input_image.astype(np.uint8), 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 41, 3)
# Some morphology to clean up image
kernel = np.ones((5,5), np.uint8)
opening = cv2.morphologyEx(filtered, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel)
结果:
如果单个阈值不足以分离所有图像,您可以尝试使用两个阈值的分水岭算法。
使用高阈值来获取具有绝对属于数字的片段的图像,使用高逆阈值来获取具有绝对不属于数字的片段的图像。
稍微腐蚀两个图像以增加确定性。
然后使用 2 个图像作为 Watershed 的种子。