Question

我已经在一个项目上进行了几周的检测，以发现机器产生的不良点，但找不到任何好的解决方案。我想知道你们能否给我一些线索。

损坏的图像如下所示。坏点是非常亮或暗的点。这些要点具有以下特征：

强度相对较大或较小。
它们大部分在一起是一两个像素。

我尝试过的事情：

我将它们视为哈里斯·康纳（harris conner），并使用较大的渐变对其进行检测。但是，边缘中的某些点也具有较大的渐变。另外，梯度的阈值不容易确定。较小的阈值将导致误报，而较大的阈值将导致误报。
由于坏点的强度与其局部区域相比更大或更小，因此我计算了除中心点以外的平均强度，并将其与中心点进行了比较。但是，某些强度更大或更小的法线点可能会被此方法错误分类。同样，平均值和中心点之差的阈值也很难固定。
我还尝试提取一些特征点并将其分类为坏点或好点。尽管我的分类器达到了96％的准确度，但由于图像中的点很多，所以这可能会误分类许多点。（6000,000）
我想知道是否存在一些深度学习点检测模式？我想尝试一下他们是否可以达到99.99 ...％的准确度。

此外，以下示例是损坏的图像和正常图像。尽管它们对于人眼来说非常明显，但我想不出一种完美的方法来通过计算机区分它们。

具有明亮像素的普通图像：

损坏的图片有两个坏处：

如果您能给我一些有关此问题的线索，我将不胜感激。非常感谢！

Answer 1

您可以尝试使用半径较小的中值滤波器（3x3或5x5）。然后，当与原始图像的差异较大时，检测盐和胡椒。

Answer 2

利用Numpy检测具有最小/最大阈值的[0,255]范围内的像素强度是可行的。这个想法是创建一个所有像素的遮罩，这些遮罩大于某个亮点阈值，而小于另一个暗点阈值。检测到的点将显示为绿色

import cv2
import numpy as np

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
mask = ((gray >= 200) | (gray <= 100))
image[mask] = [36,255,12]

cv2.imshow('image', image)
cv2.waitKey()

如何检测图像中的椒盐点？

2 个答案: