灰度图像中有缺陷区域的分割，对阴影不变。

Question

我希望使用MATLAB/Python-OpenCV来分割图像中的缺陷区域。

原始图像：

有缺陷：

http://imgur.com/fyDkpcZ

第三个矩形上存在缺陷。

我尝试过的方法：

• 使用LoG滤波器/阈值灰度提取矩形的边界（但由于阴影而没有帮助太多）
• 跟踪它们的边界
• 获取质心
• 找到边界点与质心之间的距离，关注角度（增加0.5度以获得更好的分辨率）
• 找到一个好的模板矩形并保存它
• 找到模板矩形和候选矩形之间的差异
• 基于该结果，我可以找到有问题的区域，但是当我尝试提高算法的灵敏度时，误报率会增加。

我需要使边界更精确、更不嘈杂。由于阴影的存在，矩形的边缘可能变化很大。

如何使矩形的边缘对阴影更强壮？除了我迄今为止所尝试的方法，还能做什么？

感谢您的帮助！

- dumbled0ge

---

请提供您的结果以及您遇到的一些问题。您提供的缺陷具有非常高的对比度。只需应用阈值即可简单地进行分割。 - Piglet

我无法上传更多的示例，因为stackoverflow不允许我这样做。这是另一个对比度较低的示例http://imgur.com/CwUXhzZqw。我无法检测到它。还有一些http://imgur.com/RNzrMe6，http://imgur.com/fwEgKnI。 - dumbled0ge

Answer 1

拉普拉斯高斯滤波器是一个零均值操作。如果您将其用于中心在127的强度上的8位图像，则会返回以零为中心的图像数据。您必须使用任意值的过滤器偏差，通常为容器的最大值的一半（因此，在这个8位示例中，偏差将为127）。您还可以通过将结果像素乘以常数来调整滤波器的强度，这使得对数滤波器的效果更加明显。

对数滤波器将为非常强的转换创建一个白色和一个黑色边缘。在水平或垂直方向上，找到实际的边缘非常容易，因为您只需要取两者位置的平均值即可。如果在小距离内积分，则可以获得亚像素分辨率。

如果这些图像的照明非常相似，则可以使用注册和减法：

1. 将可能包含缺陷的图像和参考图像都归一化到某个强度。

2. 对其进行注册（对齐）；可以通过检测矩形上的三个点，然后移动和旋转其中一个图像来完成。

3. 从参考图像中减去怀疑图像。这将给您一个错误映射。您可以对其应用轻微的模糊和紧密的LoG滤波器以消除噪声并使检测更加准确。

- Brandon Dube