image - 检测叶子的脉纹？

Question

我的目标是检测代表各种植物的叶子的静脉图案

我已经做了以下事情：

原图：

自适应阈值处理后：

但是静脉不是那么清晰并且会变形，有什么办法可以得到更好的输出

编辑：

我尝试了颜色阈值我的结果仍然不令人满意我得到以下图像

请帮忙

Answer 1

事实上，它的 JPEG 图像会产生“块”伪影，在您发布的示例中，这会导致静脉周围的大多数方形区域产生大量噪声，因此理想情况下处理未经过有损压缩的图像。如果这不可能，请尝试过滤图像以消除一些噪音。

您要提取的静脉与背景、叶子和阴影的颜色不同，因此某种基于颜色的阈值可能是个好主意。最近有一个 SO 问题，其中包含一些可能对这里有所帮助的代码。之后，某种自适应归一化将有助于在阈值之前增加对比度。

[编辑]
也许阈值不是您想要做的中间步骤。我通过过滤去除 jpeg 伪影，做一些 CMYK 通道数学（更多的青色和黑色）然后应用自适应均衡来完成以下操作。我很确定你可以继续使用图像梯度和非最大值抑制来产生（可能是亚像素）边缘点，并且可能使用每个点的亮度和静脉结构的属性（主要是在切线处连接）到将点连接成线。

Answer 2

过去我对 Gaussian 的边缘检测算法差异有很好的经验。基本上是这样工作的：您使用高斯模糊算法对图像进行两次模糊，但具有不同的模糊半径。然后计算两个图像之间的差异。

彼此下方具有相同颜色的像素将创建相同的模糊颜色。彼此下方具有不同颜色的像素将产生取决于模糊半径的渐变。对于更大的半径，渐变将延伸得更远。对于较小的它不会。

所以基本上这是带通滤波器。如果选定的半径太小，则创建 2 条“平行”线。但是由于与图像的延伸相比，叶子的静脉很小，因此您通常会发现半径，其中静脉产生 1 条线。

在这里，我添加了处理后的图片。我在这张照片上做的步骤：

1. 去饱和（灰度）
2. 高斯差。这里我模糊了半径为 10px 的第一个图像和半径为 2px 的第二个图像。您可以在下面看到结果。

这只是一个快速创建的结果。我猜想通过优化参数，你甚至可以得到更好的参数。

Answer 3

这听起来像是我在大学时用神经网络做过的事情。神经网络的东西有点难，所以我不会去那里。无论如何，模式是 2D Fourier 变换的完美候选者！这是一个可能的方案：

1. 你有训练数据和输入数据
2. 您的数据表示为 2D 傅里叶变换
3. 如果您的数据库很大，您应该在转换结果上运行 PCA 以将 2D 频谱图转换为 1D 频谱图
4. 通过测试一张图像的光谱（在 PCA 之后）与数据集中的所有图像来比较汉明距离。

只要图像具有大致相同的旋转，您应该期望使用此类原始方法进行约 70% 的识别。如果图像不是相同的旋转。您可能必须使用 SIFT。为了获得更好的识别，您将需要更智能的训练集，例如隐马尔可夫模型或神经网络。事实上，要为这类问题获得好的结果可能需要相当多的工作。

查看：https ://theiszm.wordpress.com/2010/07/20/7-properties-of-the-2d-fourier-transform/