检测叶子中的静脉图案？

Question

我的目标是检测叶子中的静脉模式，这是各种植物的特征

我已经完成了以下工作：

原始图片：

自适应阈值处理后：

然而静脉不清晰并且变形，有没有办法让我获得更好的输出

编辑：

我尝试了颜色阈值处理我的结果仍然不能令人满意我得到以下图片

请帮忙

Answer 1

它的JPEG图像会产生“块”伪影这一事实，在您发布的示例中导致静脉周围的大多数方形区域都有很多噪声，因此理想情况下处理的图像不是通过有损压缩。如果那是不可能的，那么尝试过滤图像以消除一些噪音。

您想要提取的静脉具有与背景，叶子和阴影不同的颜色，因此某种基于颜色的阈值可能是个好主意。最近有S.O.一些代码可能有用here的问题。 之后，某种自适应标准化有助于在阈值之前增加对比度。

[编辑]
也许阈值处理不是您想要做的中间步骤。我做了以下过滤，以删除jpeg工件，做一些CMYK通道数学（更多青色和黑色），然后应用自适应均衡。我很确定你可以继续使用图像渐变和非最大值抑制产生（亚像素可能）边缘点，并且可以使用每个点的亮度和静脉结构的属性（主要是在切线处连接）到将点加入线。

Answer 2

过去，我使用边缘检测算法difference of Gaussian获得了很好的体验。这基本上是这样的： 您使用gaussian blurr algorithm将图像模糊两次，但模糊半径不同。 然后计算两个图像之间的差异。

彼此相同颜色的像素将创建相同的模糊颜色。 具有彼此不同颜色的像素将产生取决于模糊半径的渐变。对于更大的半径，梯度将延伸更远。对于较小的那些它不会。

所以基本上这是带通滤波器。如果选择的半径很小，则徒劳的vill会产生2条“平行”线。但由于叶片的静脉与图像的延伸相比较小，因此您最常找到半径，其中静脉导致1行。

这里我添加了已处理的图片。 我在这张照片上做的步骤：

1. 去饱和（灰度）
2. 高斯差异。在这里，我将半径为10像素的第一张图像和半径为2像素的第二张图像模糊。您可以在下面看到结果。

这只是一个快速创建的结果。我猜想通过优化参数，您甚至可以获得更好的参数。

Answer 3

这听起来像我在大学里用神经网络做的事情。神经网络的东西有点难，所以我不会去那里。无论如何，模式是2D傅立叶变换的完美候选者！这是一个可能的方案：

1. 您有训练数据和输入数据
2. 您的数据表示为2D傅立叶变换
3. 如果您的数据库很大，您应该在转换结果上运行PCA以将2D频谱图转换为1D频谱图
4. 通过测试1个图像的光谱（在PCA之后）与数据集中的所有图像来比较汉明距离。

只要图像具有大致相同的旋转，您应该期望用这种原始方法识别~70％。如果图像不是相同的旋转。您可能必须使用SIFT。为了获得更好的识别，您将需要更多智能训练集，例如隐马尔可夫模型或神经网络。事实是，为这类问题取得好成绩可能是相当多的工作。

退房：https://theiszm.wordpress.com/2010/07/20/7-properties-of-the-2d-fourier-transform/