快捷導(dǎo)航

OpenCV實(shí)現(xiàn)低對比度圖像臟污區(qū)域檢測

更新時(shí)間：2021年09月28日 16:35:13 作者：DU_YULIN

本文主要介紹了OpenCV實(shí)現(xiàn)低對比度圖像臟污區(qū)域檢測，文中通過示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

1. 低對比度圖像臟污區(qū)域檢測

先上圖：

請?zhí)砑訄D片描述

第一張圖如果不是標(biāo)注結(jié)果，我都沒有發(fā)現(xiàn)臟污區(qū)域在哪里，第二張圖還清晰一些，基本可以看出來圖像靠近左邊緣的位置有偏暗的區(qū)域，這就是我們所說的臟污區(qū)域了，也是我們要檢測的區(qū)域。

標(biāo)注結(jié)果圖：

請?zhí)砑訄D片描述

2. 實(shí)現(xiàn)方法介紹

這里介紹兩種實(shí)現(xiàn)方法，
第一種是用C++實(shí)現(xiàn)參考博文的方法，即利用梯度方法來檢測，具體步驟如下：

對圖像進(jìn)行高斯模糊去噪，梯度計(jì)算對噪聲很敏感；
調(diào)用Sobel函數(shù)計(jì)算圖像在x,y方向梯度；
調(diào)用convertScaleAbs函數(shù)將x,y梯度圖像像素值限制在0-255；
調(diào)用addWeight函數(shù)將x,y梯度圖像融合；
調(diào)用threshold函數(shù)對融合圖像進(jìn)行二值化；
使用先腐蝕、后膨脹的形態(tài)學(xué)處理方法對二值圖像進(jìn)行非臟污區(qū)域過濾；
調(diào)用findContours方法查找臟污區(qū)域輪廓。

第二種方法是本人根據(jù)提高圖像對比度思路實(shí)現(xiàn)的，具體步驟如下：
8. 對圖像進(jìn)行高斯模糊去噪；
9. 使用局部直方圖均衡化方法來提高圖像對比度；
10. 使用OTSU二值化閾值方法來粗略分割臟污區(qū)域；
11. 對二值圖像使用腐蝕的形態(tài)學(xué)操作過濾掉部分非臟污區(qū)域；
12. 調(diào)用findContours方法查找臟污區(qū)域輪廓。

3. C++源碼實(shí)現(xiàn)

#include <iostream>
#include <opencv2\imgcodecs.hpp>
#include <opencv2\core.hpp>
#include <opencv2\imgproc.hpp>
#include <opencv2\highgui.hpp>
#include <vector>

int main()
{
	using namespace cv;

	std::string strImgFile = "C:\\Temp\\common\\Workspace\\Opencv\\images\\led1.jpg";
	Mat mSrc = imread(strImgFile);

	CV_Assert(mSrc.empty() == false);

	Mat mSrc2 = mSrc.clone();

	CV_Assert(mSrc2.empty() == false);

	Mat mGray;
	cvtColor(mSrc, mGray, COLOR_BGR2GRAY);

	GaussianBlur(mGray, mGray, Size(5, 5), 1.0);
	Mat mGray2 = mGray.clone();

	CV_Assert(mGray.empty() == false);
	imshow("gray", mGray.clone());

	//方法1：利用梯度變化檢測缺陷
	Mat mSobelX, mSobelY;
	Sobel(mGray, mSobelX, CV_16S, 1, 0, 7);
	Sobel(mGray, mSobelY, CV_16S, 0, 1, 7);
	convertScaleAbs(mSobelX, mSobelX);
	convertScaleAbs(mSobelY, mSobelY);

	Mat mEdge;
	addWeighted(mSobelX, 1, mSobelY, 1, 0, mEdge);
	imshow("edge", mEdge);

	Mat mThresh;
	threshold(mEdge, mThresh, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("thresh", mThresh);

	Mat kernel1 = getStructuringElement(MORPH_RECT, Size(11, 11));
	CV_Assert(kernel1.empty() == false);

	Mat mMorph;
	morphologyEx(mThresh, mMorph, MORPH_ERODE, kernel1);
	imshow("erode", mMorph);

	Mat kernel2 = getStructuringElement(MORPH_RECT, Size(5, 5));
	morphologyEx(mMorph, mMorph, MORPH_DILATE, kernel2);
	imshow("dilate", mMorph);

	std::vector<std::vector<Point>> contours;
	findContours(mMorph, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);

	for (int i = 0; i < contours.size(); i++)
	{
		float area = contourArea(contours[i]);
		if (area > 200)
		{
			drawContours(mSrc, contours, i, Scalar(0, 0, 255));
		}
	}

	imshow("result1", mSrc.clone());

	//方法2： 利用局部直方圖均衡化方法檢測缺陷
	Ptr<CLAHE> ptrCLAHE = createCLAHE(20, Size(30, 30));
	ptrCLAHE->apply(mGray2, mGray2);
	imshow("equalizeHist", mGray2);

	Mat mThresh2;
	threshold(mGray2, mThresh2, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);
	CV_Assert(mThresh2.empty() == false);
	imshow("thresh", mThresh2);

	Mat kernel2_1 = getStructuringElement(MORPH_RECT, Size(9, 9));
	Mat mMorph2;
	morphologyEx(mThresh2, mMorph2, MORPH_ERODE, kernel2_1);

	CV_Assert(mMorph2.empty() == false);

	imshow("morph2", mMorph2);

	std::vector<std::vector<Point>> contours2;
	findContours(mMorph2, contours2, RETR_EXTERNAL, CHAIN_APPROX_NONE);

	for (int i = 0; i < contours2.size(); i++)
	{
		float area = contourArea(contours2[i]);
		if (area > 200)
		{
			drawContours(mSrc2, contours2, i, Scalar(0, 0, 255));
		}
	}

	imshow("result2", mSrc2);

	waitKey(0);
	destroyAllWindows();

	system("pause");
	return 0;
}

4.結(jié)果

梯度方法檢測結(jié)果：

在這里插入圖片描述

局部直方圖均衡化方法檢測結(jié)果：

在這里插入圖片描述

總結(jié)

相對于梯度方法，局部直方圖均衡化方法需要特別注意局部窗口大小參數(shù)以及閾限值參數(shù)的選擇，本人也是嘗試了多次才達(dá)到比較好的效果。再一次體會(huì)到傳統(tǒng)圖像處理的痛處，沒有通用的參數(shù)適用于所有的應(yīng)用實(shí)例，不同的場景要配置不同的參數(shù)才能達(dá)到想要的結(jié)果。