如何使用opencv-python消除图像噪点？

Question

我正在处理皮肤图像，以识别皮肤上的瑕疵，并且由于存在噪声（主要是由于存在毛发），这项工作变得更加复杂。

我有一个图像示例，其中我尝试仅突出显示皮肤斑点，但是由于头发过多，该算法无效。有了这个，我希望您能帮助我开发一种去除或减少头发数量的算法，以便我只能突出显示我感兴趣的区域（ROI）。

用于突出皮肤瑕疵的算法：

import numpy as np
import cv2

#Read the image and perform threshold
img = cv2.imread('IMD006.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.medianBlur(gray,5)
_,thresh = cv2.threshold(blur,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

#Search for contours and select the biggest one
contours, hierarchy =         cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = max(contours, key=cv2.contourArea)

#Create a new mask for the result image
h, w = img.shape[:2]
mask = np.zeros((h, w), np.uint8)

#Draw the contour on the new mask and perform the bitwise operation
cv2.drawContours(mask, [cnt],-1, 255, -1)
res = cv2.bitwise_and(img, img, mask=mask)

#Display the result
cv2.imwrite('IMD006.png', res)
#cv2.imshow('img', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

使用的示例图像：

如何处理这些噪音，以改善我的关注区域？

Answer 1

这是一个非常困难的任务，因为头发超过了ROI（摩尔）。我不知道如何帮助将其从痣中移除，但是我可以帮助移除背景，如照片中没有毛发。对于从痣中去除毛发，我建议您搜索“从图像中去除水印”和“深度神经网络”，以训练模型去除毛发（请注意，此任务将非常困难）。

话虽如此，为了消除背景，您可以尝试使用已经准备好进行检测的相同代码而不会出现毛发。您将获得像这样的二进制图像：

现在您的区域充满了白色线条（头发），这些线条越过您的轮廓即ROI，cv2.findContours()也将它们选中，因为它们已连接。但是，如果您查看图片，会发现白线很细，可以通过在图像上执行打开（cv2.morphologyEx）将其从图像中删除。开口是侵蚀，然后是膨胀，因此当您以足够大的内核尺寸侵蚀图像时，白线会消失：

现在您的白点周围有一些杂讯，您可以通过执行另一次扩张（cv2.dilate()）将其连接起来：

要使ROI更加平滑，可以使图像cv2.blur()模糊：

在那之后，您可以进行其他加工并搜索最大轮廓。最终结果：

希望它会有所帮助。干杯！

示例代码：

import numpy as np
import cv2

# Read the image and perfrom an OTSU threshold
img = cv2.imread('hair.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

# Remove hair with opening
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 2)

# Combine surrounding noise with ROI
kernel = np.ones((6,6),np.uint8)
dilate = cv2.dilate(opening,kernel,iterations=3)

# Blur the image for smoother ROI
blur = cv2.blur(dilate,(15,15))

# Perform another OTSU threshold and search for biggest contour
ret, thresh = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
_, contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = max(contours, key=cv2.contourArea)

# Create a new mask for the result image
h, w = img.shape[:2]
mask = np.zeros((h, w), np.uint8)

# Draw the contour on the new mask and perform the bitwise operation
cv2.drawContours(mask, [cnt],-1, 255, -1)
res = cv2.bitwise_and(img, img, mask=mask)

# Display the result
cv2.imshow('img', res)
cv2.waitKey(0)
cv2.destroyAllWindows()