導讀本文主要介紹OpenCV在低對比度缺陷檢測中的應用實例。

實例一（LCD屏幕臟污檢測）

參考實例來源：

https://stackoverflow.com/questions/27281884/low-contrast-image-segmentation

分析與說明：上圖中的臟污圖像因為對比度較低，所以無法通過常用的閾值方法處理提取，有時人眼觀察也較費勁。常用的方法有梯度提取或頻域提取。

鏈接主題中提到了Kmeans聚類分割后提取：

二分類：

三分類：

乍一看效果還不錯，但問題是我到底應該設置幾個類別？第一張圖我如何確定哪個區域正好是我的缺陷部分？本文采用了梯度方法來檢測。

實現步驟與演示

實現步驟： ① 圖像濾波--濾除雜訊； ② Sobel提取邊緣； ③ 形態學處理剔除雜訊； ④ 閾值提取--分割臟污區域； ⑤ 輪廓提取與標注。圖像一：

gray = cv2.cvtColor（img， cv2.COLOR_BGR2GRAY）blur = cv2.GaussianBlur（gray，（15，15），0）

x = cv2.Sobel（blur，cv2.CV_16S，1，0，ksize=7）y = cv2.Sobel（blur，cv2.CV_16S，0，1，ksize=7）absX = cv2.convertScaleAbs（x） # 轉回uint8absY = cv2.convertScaleAbs（y）edged = cv2.addWeighted（absX，1，absY，1，0）cv2.imshow（‘Sobel’， edged）

k1=np.ones（（11，11）， np.uint8）thres = cv2.morphologyEx（thres， cv2.MORPH_ERODE， k1）#膨脹操作cv2.imshow（‘MORPH_ERODE’，thres） #結果顯示

contours，hierarchy = cv2.findContours（thres， cv2.RETR_EXTERNAL， cv2.CHAIN_APPROX_NONE）for cnt in contours： （x， y， w， h） = cv2.boundingRect（cnt） if w 》 2 and h 》 2： cv2.drawContours（img，cnt，-1，（0，0，255），1）

—版權聲明—

僅用于學術分享，版權屬于原作者。

若有侵權，請聯系刪除或修改！

編輯：jq