应用错误收集

查看结果图像我认为您只在算法中使用原始图像的H通道。假阳性检测可以继承，健康皮肤的某些部分具有与血肿相同的H值。您可以在H通道的qrey-scale图像上看到两个部分具有相似的值：

H channel of original image 两部分之间的差异是饱和度值。在下图中，您可以看到原始图像的S通道，它完美地显示在血肿处饱和度远高于手臂其他部位：

enter image description here 这是预期的，因为血肿的颜色比健康的皮肤强得多。

所以，我建议你在你的算法中同时使用H和S通道你必须只考虑S图像包含高饱和度值的H图像部分。这样做的一个可能而简单的解决方案是对H和S图像进行二值化，并使用AND操作执行此过滤：

二值化后的H图像： enter image description here 二进制化后的 S图像： H＆amp; S操作后的图像： 您可以看到结果图像上只有血肿部分是白色的（除了一些噪声，但您可以轻松消除，例如通过大小或形态滤波）。

修改

重要的是要注意，二值化是对象检测算法中最重要的（有时也是非常复杂的）步骤之一，即二值化是要检测的对象的第一个亮点。

如果外部条件（照明，物体颜色等）在图像之间没有显着变化，您可以使用修复双重阈值。如果无法发布这种恒定的环境，则必须使用更复杂的方法。您可以使用很多可能性，在这里您可以阅读一些示例：

基于直方图分析的几种解决方案：在具有对象的直方图上，总是有更多的局部最大值，这些位置可以根据环境而变化，如果找到它们，您可以轻松地调整二值化阈值。

例如，原始图像的H通道的直方图如下： Histrogram 第一个最大值属于背景，第二个属于皮肤，最后一个属于血液。可以假设这些3个阈值可以在每个图像中找到，只是它们的位置取决于照明或其他条件。要在第2和第3局部最大值之间设置阈值，可以选择突出血细胞。

最后，我向您介绍OpenCV中关于阈值处理的以下内容： OpenCV - Thresholding