OpenCV实战 | 低对比度缺陷检测应用实例
点击下方卡片，关注“新机器视觉”公众号
视觉/图像重磅干货，第一时间送达
导读
本文主要介绍OpenCV在低对比度缺陷检测中的应用实例。
实例一（LCD屏幕脏污检测）
参考实例来源：
https://stackoverflow.com/questions/27281884/low-contrast-image-segmentation
测试图像：
标注脏污区域：
分析与说明：上图中的脏污图像因为对比度较低，所以无法通过常用的阈值方法处理提取，有时人眼观察也较费劲。常用的方法有梯度提取或频域提取。
链接主题中提到了Kmeans聚类分割后提取：
二分类：
三分类：
乍一看效果还不错，但问题是我到底应该设置几个类别？第一张图我如何确定哪个区域正好是我的缺陷部分？本文采用了梯度方法来检测。
实现步骤与演示
实现步骤：
① 图像滤波--滤除杂讯；
② Sobel提取边缘；
③ 形态学处理剔除杂讯；
④ 阈值提取--分割脏污区域；
⑤ 轮廓提取与标注。
图像一：
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)blur = cv2.GaussianBlur(gray,(15,15),0)
x = cv2.Sobel(blur,cv2.CV_16S,1,0,ksize=7)y = cv2.Sobel(blur,cv2.CV_16S,0,1,ksize=7)absX = cv2.convertScaleAbs(x) # 转回uint8absY = cv2.convertScaleAbs(y)edged = cv2.addWeighted(absX,1,absY,1,0)cv2.imshow('Sobel', edged)
k1=np.ones((11,11), np.uint8)thres = cv2.morphologyEx(thres, cv2.MORPH_ERODE, k1)#膨胀操作cv2.imshow('MORPH_ERODE',thres) #结果显示
contours,hierarchy = cv2.findContours(thres, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)for cnt in contours:(x, y, w, h) = cv2.boundingRect(cnt)if w > 2 and h > 2:cv2.drawContours(img,cnt,-1,(0,0,255),1)
图像二：
—版权声明—
仅用于学术分享，版权属于原作者。
若有侵权，请联系微信号:yiyang-sy 删除或修改！
—THE END—
评论