- 1.sobel算子————》找到斑点的可能区域
sobel算子的主要目的是为了检测边缘。图像边缘一般指图像的灰度变化率最大的位置。
先看看关键性代码:
src1 = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
x_gray = cv2.Sobel(src1,cv2.CV_32F,1,0)
y_gray = cv2.Sobel(src1,cv2.CV_32F,0,1)
x_gray = cv2.convertScaleAbs(x_gray)
y_gray = cv2.convertScaleAbs(y_gray)
dst = cv2.add(x_gray,y_gray,dtype=cv2.CV_16S)
dst = cv2.convertScaleAbs(dst)
解析一下:
- 2.连通域分析————》确定斑点的位置
上面使用sobel算子计算边缘后,五官等区域也被是视为一个连通域,如果直接作为后续的处理,那显然不正确。这里我们设置一个面积的阈值来区别开斑点和其他区域。
关键性代码:
# 注意:输入的是二值图,高斯滤波后效果更好
num_labels,labels,stats,centers = cv2.connectedComponentsWithStats(binary, connectivity=8,ltype=cv2.CV_32S)
# 参数说明:
num_labels: 代表连通域的数量,包含背景
labels : 记录img中每个位置对应的label
stats: 每个连通域的外接矩形和面积
x, y, w, h, area = stats[t]
centers : 连通域的质心坐标
依据连通域面积的大小做阈值分割的标准:
for t in range(1, num_labels, 1):
x, y, w, h, area = stats[t]
if area>100:
index = np.where(labels==t)
labels[index[0], index[1]] = 0
通过遍历每个连通域,并根据连通域的面积(这里设置阈值100),将面积超过的连通域label设置为0,即为背景。
- 3.图像修复inpaint————》去除斑点
这里opencv提供了两种算法。
(1)第一种算法基于Alexandru Telea于2004年发表的“基于快速行进方法的图像修复技术”。它基于快速行进方法。考虑图像中要修复的区域。算法从该区域的边界开始,然后进入区域内,逐渐填充边界中的所有内容。它需要在邻近的像素周围的一个小邻域进行修复。该像素由邻居中所有已知像素的归一化加权和代替。选择权重是一个重要的问题。对于靠近该点的那些像素,靠近边界的法线和位于边界轮廓上的像素,给予更多的权重。一旦像素被修复,它将使用快速行进方法移动到下一个最近的像素。FMM确保首先修复已知像素附近的像素,这样它就像手动启发式操作一样工作。使用标志cv2.INPAINT_TELEA启用此算法。
(2)第二种算法基于Bertalmio,Marcelo,Andrea L. Bertozzi和Guillermo Sapiro于2001年撰写的“Navier-Stokes,流体动力学和图像和视频修补”一文。该算法基于流体动力学并利用偏微分方程。基本原则是heurisitic。它首先沿着已知区域的边缘行进到未知区域(因为边缘是连续的)。它继续等照片(连接具有相同强度的点的线,就像轮廓连接具有相同高度的点一样),同时在修复区域的边界处匹配渐变矢量。为此,使用来自流体动力学的一些方法。获得颜色后,填充颜色以减少该区域的最小差异。使用标志cv2.INPAINT_NS启用此算法。
# 方法 1:
dst_TELEA = cv2.inpaint(img,mask,3,cv2.INPAINT_TELEA)
# 方法2:
dst_NS = cv2.inpaint(img,mask,3,cv2.INPAINT_NS)
参考链接:
https://blog.csdn.net/flyfor2013/article/details/107527395