Próg adaptacyjny z rozmytym obrazem

Poszukuję najlepszej metody Adaptive Threshold do binaryzacji obrazów. Ale mam problemy z ciemnym i rozmytym obrazem. Obraz
Wejście:
Let the Image load... Próg adaptacyjny z rozmytym obrazem

i kiedy używać metody adaptacyjnego progu otrzymam ten
obrazu wyjściowego:
Let the Image load...

To nie jest dobre dla mnie!
Czy ktoś mógłby mi pomóc rozwiązać ten problem?

inny obraz: enter image description here

oraz: enter image description here

pierwszy wydaje się bardzo źle z @ Hammer'solution (muszę wybrał c kanał), drugi mogę używać próg adaptacyjny normalne.
, więc chcę znaleźć najlepsze rozwiązanie dla wszystkich przypadków.

dziękuję ponownie!

Źródło

2013-09-05 minhthuan

Wygląda na to, że kolor jest znacznie lepszym wskaźnikiem dla segmentacji obrazu niż intensywności. Spróbuj przekonwertować go na HSV, a następnie uruchomić OTSU na kanale H.

w Pythonie

hsv = cv2.cvtColor(image, cv2.cv.CV_BGR2HSV) 
cv2.imshow('hsv', hsv[:,:,0]) 
(thresh, im_bw) = cv2.threshold(hsv[:,:,0], 128, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) 
cv2.imshow('OTSU', im_bw)

daje (HSV)

enter image description here

a następnie (Otsu)

enter image description here

Trochę erozji i dylatacji i powinno być dobrze przejść na

Źródło

2013-09-05 05:55:21 Hammer

tak, Hammer Dziękuję za pytanie. to wydaje się dobre dla tego przypadku i złe dla każdego. więc jak mogę wybrać najlepsze rozwiązanie? dziękuję! – minhthuan

@minhuan Jaka jest różnica między tym dobrym a innym złym? Pokaż kilka zdjęć, które nie pasują do rozwiązania Hammera. – WangYudong

Dobra odpowiedź. A co z wyborem progów, aby uzyskać wiele poziomów? Istnieje już trochę magii OpenCv? – CapelliC

Jeśli pojedynczy próg nie wystarcza do rozdzielenia wszystkich obrazów, można wypróbować wartość Watershed algorithm z dwoma progami.

Użyj wysokiego progu, aby uzyskać obraz z segmentami, które są zdecydowanie częścią cyfry, oraz wysoki próg odwrotny do uzyskania obrazu z segmentami, które zdecydowanie nie są częścią cyfry.

Erode oba obrazy nieco, aby zwiększyć pewność.

Następnie użyj dwóch zdjęć jako nasion dla Zlewiska.

Here is an answer where this is done

Źródło

2013-09-05 13:43:34 HugoRune

Możesz być zainteresowany these adaptacyjnych progów stosowanych przez OpenCV.

Użyłem średniego progu adaptacyjnego. Być może będziesz musiał grać trochę z parametrami, ale jeśli twoje obrazy są podobne (ten sam rozmiar itp.), Mam nadzieję, że nie będzie to wymagało zbytniego podkręcania.

# Smooth image 
filtered = cv2.adaptiveThreshold(input_image.astype(np.uint8), 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 41, 3) 

# Some morphology to clean up image 
kernel = np.ones((5,5), np.uint8) 
opening = cv2.morphologyEx(filtered, cv2.MORPH_OPEN, kernel) 
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel)

Wyniki:

enter image description here

Źródło

2014-07-23 09:03:40

Poniższy kod ...

im=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,111,3) 
cv2.imshow('mkm',im)`

... daje dobry wynik:

Źródło

2017-03-19 00:36:14

Próg adaptacyjny z rozmytym obrazem

Odpowiedz

Powiązane problemy