opencv - 水边缘检测

这项任务具有挑战性，因为必须使用技术组合。此外，对于每种技术，数值参数可能仅在非常窄的范围内正确地工作。这意味着人类专家必须通过对每个图像的反复试验来调整它们，或者必须使用许多不同的参数多次执行该技术，以便选择正确的结果。

以下大纲对此示例图像具有高度特异性。它可能不适用于任何其他图像。

一点建议： 像往常一样，任何多步骤图像分析都应始终以最可靠的步骤开始，然后继续到不太可靠的步骤。在可能的情况下，不太可靠的步骤应该利用更可靠步骤的结果来增强其自身的准确性。

天空检测

将图像转换为HSV颜色空间，找到位于图像上半部分的青色。

保留此HSV图像，因为它也适用于接下来的几个步骤。

使用适当选择的sigma和阈值在灰度版图像上运行Canny边缘检测。这将拾取灌木上的树枝，看起来像一堆噪音。同时，水面会比较光滑。

在此技术中使用灰度，以减少反射对水面的影响（来自灌木的绿色和黄色反射）。可能有其他颜色空间（或预处理技术）更能够去除该反射。

首先，标记已经归类为灌木或天空的任何图像部分。由于灌木检测比水检测更可靠，灌木检测的结果应该用于通知不太可靠的水检测。

<强>观察

由于仰角低的观点，水波纹呈水平伸长。实际上，每个图像特征都显示为水平拉伸。这称为Anisotropy。我们可以利用这种趋势来检测它们。

注意：我没有各向异性检测的经验。也许你可以从别人那里得到更好的想法。

创意1：

使用maximally-stable extremal regions (MSER)作为斑点检测器。

维基百科的介绍似乎令人生畏，但它确实与连接组件算法有关。可以像Dijkstra's algorithm那样完成一个简单的实现。

创意2：

请注意，图像要素是水平拉伸的，更简单的方法是将水平渐变的绝对值相加，并将其与垂直渐变的绝对值之和进行比较。