我正在开发可以在玉米植物中运行并由指南针传感器引导的机器人，但我想将相机用作机器人的眼睛并使用图像处理来检测运动的误差角度。
这是图像示例。
处理后的图像
原始图像分割图像
我使用以下步骤
第 1 步：我使用的当前技术是将颜色值转换为从此代码修改的 HSV
第 2 步：所以它会检测选择的颜色是棕色或脏颜色，然后我在两个数组（一个红点）中收集每个图像行的最左边和最右边的棕色或选择的颜色。
问题是如何过滤掉玉米叶之间或不在玉米路径中的其他区域的棕色像素？在这个问题中我应该学习或应用哪种算法或方法？
EDIT1：使用 Spektre 的答案，看起来更好
这是我用 JAVA+Boofcv 应用后的结果
第 1 步：阈值化或颜色分割
第 2 步：模糊（使用高斯和中值滤波器）
第 3 步：绘制线性回归
更多信息
对于您的源图像
我会：
创建棕色东西的面具
只是门槛H,S和忽略V，你已经有了这个。我使用整数255而不是颜色（Blue）进行后面的计算。
模糊面具
这将删除一小部分错误选择的零件。在此之后，您应该再次设置遮罩的阈值，因为遮罩值会小一些，255除非您完全选择了区域。面积越大，值越大（接近255）。我与>=150
通过水平线扫描蒙版
为每一行找到所有选定像素的重心
再次进行模糊和阈值处理后，使用的蒙版在Aqua中。因此，计算每行中所有蒙版像素的平均点x坐标。这一点用White标记。
通过所有重心的回归线
我对此使用我的近似搜索，但您可以使用任何您想要的回归。回归线用红色标记
我用直线方程x=x0+y*dxwhere y=<0,pic1.ys>。并按时间间隔搜索解决方案：
x0=<-pic1.xs,+2*pic1.xs>
dx=<-10,+10>
pic1.xs,pic1.ys图像分辨率在哪里。如您所见，我没有涵盖所有角度，但我认为这无论如何都不适用于那些边缘情况（接近水平方向）。对于这种情况，您应该在垂直线上执行此操作并改为使用x=y0+x*dy。
在这里，我用C++源代码做到了这一点：
picture pic0,pic1;
// pic0 - source img
// pic1 - output img
int x,y,h,s,v,px,pn,*p;
color c;
// copy source image to output
pic1=pic0;
pic1.save("cornbot0.png");
// create brown stuff mask
for (y=0;y<pic1.ys;y++) // scan all H lines
for (x=0;x<pic1.xs;x++) // scan actual H line
{
c=pic1.p[y][x]; // get pixel color
rgb2hsv(c); // in HSV
h=WORD(c.db[picture::_h]);
s=WORD(c.db[picture::_s]);
v=WORD(c.db[picture::_v]);
// Treshold brownish stuff
if ((abs(h- 20)<10)&&(abs(s-200)<50)) c.dd=255; else c.dd=0;
pic1.p[y][x]=c;
}
pic1.save("cornbot1.png");
pic1.smooth(10); // blur a bit to remove small clusters as marked
pic1.save("cornbot2.png");
// compute centers of gravity
p=new int[pic1.ys]; // make space for points
for (y=0;y<pic1.ys;y++) // scan all H lines
{
px=0; pn=0; // init center of gravity (avg point) variables
for (x=0;x<pic1.xs;x++) // scan actual H line
if (pic1.p[y][x].dd>=150) // use marked points only
{
px+=x; pn++; // add it to avg point
pic1.p[y][x].dd=0x00004080; // mark used points (after smooth) with Aqua
}
if (pn) // finish avg point computation
{
px/=pn;
pic1.p[y][px].dd=0x00FFFFFF;// mark it by White
p[y]=px; // store result for line regression
} else p[y]=-1; // uncomputed value
}
// regress line
approx x0,dx;
double ee;
for (x0.init(-pic1.xs,pic1.xs<<1,100,3,&ee); !x0.done; x0.step()) // search x0
for (dx.init(-10.0 ,+10.0 ,1.0,3,&ee); !dx.done; dx.step()) // search dx
for (ee=0.0,y=0;y<pic1.ys;y++) // compute actua solution distance to dataset
if (p[y]!=-1) // ignore uncomputed values (no brown stuff)
ee+=fabs(double(p[y])-x0.a-(double(y)*dx.a));
// render regressed line with Red
for (y=0;y<pic1.ys;y++)
{
x=double(x0.aa+(double(y)*dx.aa));
if ((x>=0)&&(x<pic1.xs))
pic1.p[y][x].dd=0x00FF0000;
}
pic1.save("cornbot2.png");
delete[] p;
我使用自己picture的图像类，所以一些成员是：
xs,ys图像大小（以像素为单位）p[y][x].dd是位置上的像素(x,y)为 32 位整数类型p[y][x].dw[2]是像素(x,y)位置为2D字段的 2x16 位整数类型p[y][x].db[4]像素(x,y)位置为 4x8 位整数类型，便于通道访问clear(color)- 清除整个图像resize(xs,ys)- 将图像大小调整为新分辨率bmp- VCL封装的GDI位图与 Canvas 访问smooth(n)- 快速模糊图像n时间您可以通过基于区域和位置的分割（删除小集群）进一步改进这一点。您也可以忽略邻居之间的平均点中太大的峰值。您还可以检测天空并忽略存在天空的整个区域。
[edit1] 平滑
这就是我的平滑的样子：
void picture::smooth(int n)
{
color *q0,*q1;
int x,y,i,c0[4],c1[4],c2[4];
bool _signed;
if ((xs<2)||(ys<2)) return;
for (;n>0;n--)
{
#define loop_beg for (y=0;y<ys-1;y++){ q0=p[y]; q1=p[y+1]; for (x=0;x<xs-1;x++) { dec_color(c0,q0[x],pf); dec_color(c1,q0[x+1],pf); dec_color(c2,q1[x],pf);
#define loop_end enc_color(c0,q0[x ],pf); }}
if (pf==_pf_rgba) loop_beg for (i=0;i<4;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])>>2; clamp_u8(c0[i]); } loop_end
if (pf==_pf_s ) loop_beg { c0[0]=(c0[0]+c0[0]+c1[0]+c2[0])/ 4; clamp_s32(c0[0]); } loop_end
if (pf==_pf_u ) loop_beg { c0[0]=(c0[0]+c0[0]+c1[0]+c2[0])>>2; clamp_u32(c0[0]); } loop_end
if (pf==_pf_ss ) loop_beg for (i=0;i<2;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])/ 4; clamp_s16(c0[i]); } loop_end
if (pf==_pf_uu ) loop_beg for (i=0;i<2;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])>>2; clamp_u16(c0[i]); } loop_end
#undef loop_beg
#define loop_beg for (y=ys-1;y>0;y--){ q0=p[y]; q1=p[y-1]; for (x=xs-1;x>0;x--) { dec_color(c0,q0[x],pf); dec_color(c1,q0[x-1],pf); dec_color(c2,q1[x],pf);
if (pf==_pf_rgba) loop_beg for (i=0;i<4;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])>>2; clamp_u8(c0[i]); } loop_end
if (pf==_pf_s ) loop_beg { c0[0]=(c0[0]+c0[0]+c1[0]+c2[0])/ 4; clamp_s32(c0[0]); } loop_end
if (pf==_pf_u ) loop_beg { c0[0]=(c0[0]+c0[0]+c1[0]+c2[0])>>2; clamp_u32(c0[0]); } loop_end
if (pf==_pf_ss ) loop_beg for (i=0;i<2;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])/ 4; clamp_s16(c0[i]); } loop_end
if (pf==_pf_uu ) loop_beg for (i=0;i<2;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])>>2; clamp_u16(c0[i]); } loop_end
#undef loop_beg
#undef loop_end
}
}
它只是平均 3 个像素
(x,y)=(2*(x,y)+(x-1,y)+(x,y-1))/4
然后做同样的事情
(x,y)=(2*(x,y)+(x+1,y)+(x,y+1))/4
以避免图像移位。然后整个事情就是循环n时间，仅此而已。在这种情况下，您可以忽略钳位和像素格式选项，pf==_pf_rgba但无论如何它只使用单个通道......dec_color,enc_color只需将颜色通道解压缩到变量数组中/从变量数组中打包，以避免在 8 位通道上出现截断和溢出问题，并且还可以更好地格式化/简化代码（对于不同的像素格式支持）
顺便说一句，平滑基础与卷积相同
0.00 0.25 0.00
0.25 0.50 0.00
0.00 0.00 0.00
和
0.00 0.00 0.00
0.00 0.50 0.25
0.00 0.25 0.00
如果我是对的，您是在询问误入歧途或背景其他部分的棕色部分？
最后一张图是怎么来的？我假设您将原始图像乘以蒙版？即使您没有，您也可以通过选择图像存在的任何位置来简单地从图像中获取蒙版（任何简单的、非常低的阈值都可以）。（应用自适应阈值，更准确的原始版本以获得更好的掩码）
拿起那个面具并使用形态学运算清理它，在你的情况下关闭就足够了。形态学由大量操作组成，可以为您提供非常干净的图像蒙版。阅读它们。