OpenCV在低对比度缺陷检测中的应用实例

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

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）

—版权声明—

仅用于学术分享，版权属于原作者。

若有侵权，请联系删除或修改！

编辑：jq