如何检测纹理中断

Question

假设我们有许多彩色图像，这些图像都是某种纹理模式的示例。很少情况下会出现一些异物“破坏”了这种纹理。什么是检测这些罕见异常的最佳方法？

我考虑训练CNN，但好的例子远远超过坏的例子，因此我有些怀疑。我开始研究灰度共生矩阵（GLCM）和局部二值模式（LBP），但我认为颜色信息可以在确定破坏发生的情况下起重要作用。我能否从这些提取的特征（GLCM或LBP）中找到分布，并计算新图像属于该分布的概率？

谢谢你的帮助！

- Brad Flynn

---

你可以分享一些示例图片吗？ - Tonechas

很抱歉，我无法提供更具体的关于问题的信息。 - Brad Flynn

没有更多信息很难回答这个问题，但你看过Law的纹理测量吗？虽然有点老但可能很有用。任何技术的适用性都取决于你的应用。是自然物体/场景还是人造的？是来自相机的实时图像，还是分辨率/质量不同的图像文件？如果不能透露细节，那么可以考虑在当地工程图书馆花一天时间查阅教科书、论文和会议论文（这些通常在线上需要付费才能访问）。我曾经几次发现了鲜为人知的书籍，帮助我解决了奇怪的问题。 - Rethunk

Answer 1

如果没有看到一些示例图像，很难弄清楚您的问题。原则上，可以使用各种方法来检测纹理破坏，包括GLCM特征、LBPs、Law's掩模、矢量量化等。测量局部熵是一种可能的方法。请考虑下面的图像，在其中我们可以清楚地区分两种类型的纹理：

以下代码片段读取图像，在圆形邻域或给定半径 25 上计算每个像素的局部熵，并显示结果：

from skimage import io
from skimage.filters.rank import entropy
from skimage.morphology import disk

img = io.imread('https://istack.dev59.com/Wv74a.webp')
R = 25
filtered = entropy(img, disk(R))
io.imshow(filtered)

从熵图中可以清晰地看出，局部熵值可用于检测纹理干扰。

- Tonechas