基于像素强度的多区域图像分割：融合Otsu与Sobel的方案问询

针对多孔材料润湿图像的三区域分割需求，结合你已有的尝试与领域形态学规则，这里提供一套精准分割流程：

核心思路 #

1. 用高斯模糊预处理抑制光照与噪点干扰
2. 用Multi-Otsu得到初始区域划分，同时用Sobel提取精准边界
3. 利用红边界贯穿图像且始终在黄边界上方的形态学规则，用Sobel边界修正初始分割的误差区域（尤其是x>1100的部分）

具体实现步骤与代码 #

1. 预处理与基础计算 #

沿用你已实现的模糊、Multi-Otsu分割和Sobel梯度计算：

import cv2
import numpy as np
from skimage.filters import threshold_multiotsu
import matplotlib.pyplot as plt

# 假设image是输入的灰度图像
blur = cv2.GaussianBlur(image, (0, 0), 8)

# Multi-Otsu初始分割
thresholds = threshold_multiotsu(blur)
initial_regions = np.digitize(blur, bins=thresholds)

# Sobel梯度计算
grad_x = cv2.Sobel(blur, cv2.CV_16S, 1, 0, ksize=3)
grad_y = cv2.Sobel(blur, cv2.CV_16S, 0, 1, ksize=3)
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
grad = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)

2. 从梯度图提取有效边界 #

对梯度图做阈值化筛选强边界，再用形态学操作消除细碎噪点：

# 阈值化梯度图，得到二值边界掩码（阈值可根据实际图像调整）
_, boundary_mask = cv2.threshold(grad, 20, 255, cv2.THRESH_BINARY)
# 腐蚀操作去除噪点型伪边界
kernel = np.ones((3,3), np.uint8)
boundary_mask = cv2.erode(boundary_mask, kernel, iterations=1)

3. 结合形态学规则修正分割结果 #

针对x>1100区域的边界误差，用Sobel边界替换初始分割的错误边界：

final_regions = initial_regions.copy()

# 修正x>1100区域的亮区/灰区分界
for x in range(1100, image.shape[1]):
    # 获取当前列的Sobel边界位置
    y_coords = np.where(boundary_mask[:,x] == 255)[0]
    if len(y_coords) > 0:
        # 取靠上的边界作为亮区/灰区分界（符合红边界在黄边界上方的规则）
        red_boundary_y = y_coords.min()
        # 强制修正当前列的区域划分
        final_regions[:red_boundary_y, x] = initial_regions.max()  # 亮区
        final_regions[red_boundary_y:, x] = initial_regions.max() - 1  # 灰区

# 处理底部黑色窄条区域，结合阈值与形态学补全
black_thresh = thresholds[0]
black_region = (blur < black_thresh).astype(np.int32)
final_regions[black_region == 1] = 0  # 0标记黑色区域

# 闭运算修复区域内的孔洞
final_regions = cv2.morphologyEx(final_regions.astype(np.uint8), cv2.MORPH_CLOSE, kernel)

4. 结果可视化 #

plt.figure(figsize=(12,6))
plt.subplot(121)
plt.imshow(initial_regions, cmap='jet')
plt.title('初始Multi-Otsu分割结果')
plt.subplot(122)
plt.imshow(final_regions, cmap='jet')
plt.title('修正后分割结果')
plt.show()

调参建议 #

• 高斯模糊sigma：噪点多时可适当增大（如到10），但避免过度模糊真实边界
• Sobel梯度阈值：根据梯度图实际亮度调整，确保只保留真实区域边界
• 形态学核大小：根据图像尺寸调整，避免过度腐蚀/膨胀破坏边界连续性

内容的提问来源于stack exchange，提问作者JS S