基于OpenCV在含噪亮度渐变图像中检测深灰色斜线的问题

• 检测目标：背景含噪、存在亮度渐变图像中的深灰色斜线（PNG格式肉眼几乎不可见，灰度模式下线条更明显）
• 当前最优预处理代码：

import cv2 as cv
import numpy as np

img_blur = cv.bilateralFilter(img, 3, 120, 120)
thresh = cv.adaptiveThreshold(img_blur, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 501, 3)

• 现存问题：
  • 预处理后仍残留大量背景噪声，目标线条出现断裂
  • 膨胀、腐蚀、开/闭运算等常规形态学操作无明显改善
  • 霍夫变换cv.HoughLines(thresh, rho=1, theta=np.pi / 180, threshold=130)能得到预期检测结果，但固定阈值130无法适配同类图像，易出现漏检目标线条或误检噪声线条的情况

1. 优化预处理，消除亮度渐变并增强线条对比度 #

• 先做灰度归一化，削弱亮度渐变对后续阈值处理的影响，再结合滤波操作平衡降噪与线条保留：

  img_norm = cv.normalize(img, None, 0, 255, cv.NORM_MINMAX)
  img_blur = cv.blur(img_norm, (5,5))
  _, thresh = cv.threshold(img_blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)
  

• 尝试用导向滤波替代双边滤波，在保留线条边缘的同时更高效平滑渐变背景：

  img_guided = cv.ximgproc.guidedFilter(img, img, 5, 120)
  # 用THRESH_BINARY_INV反转阈值结果，让线条变为白色便于后续处理
  thresh = cv.adaptiveThreshold(img_guided, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY_INV, 501, 3)
  

2. 针对性修复断裂线条，过滤背景噪声 #

• 使用方向形态学滤波：创建与目标斜线角度匹配的结构元素，通过闭运算修复同方向的线条断裂，同时抑制其他方向的噪声：

  # 假设目标斜线为45度，创建对应结构元素并旋转
  kernel = cv.getStructuringElement(cv.MORPH_RECT, (5,5))
  kernel = cv.warpAffine(kernel, cv.getRotationMatrix2D((2,2), 45, 1), (5,5))
  # 闭运算修复线条断裂
  thresh_fixed = cv.morphologyEx(thresh, cv.MORPH_CLOSE, kernel)
  

• 用连通区域分析过滤噪声：通过轮廓的面积、长宽比筛选符合线条特征的区域，剔除小面积噪声块：

  contours, _ = cv.findContours(thresh, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
  mask = np.zeros_like(thresh)
  for cnt in contours:
      x,y,w,h = cv.boundingRect(cnt)
      # 线条的长宽比远大于1，根据实际场景调整阈值
      if max(w,h)/min(w,h) > 10 and cv.contourArea(cnt) > 20:
          cv.drawContours(mask, [cnt], 0, 255, -1)
  thresh_clean = cv.bitwise_and(thresh, mask)
  

3. 自适应霍夫变换阈值，适配同类图像 #

• 基于预处理后图像的线条像素占比动态计算阈值：统计二值图中白色线条像素的数量，设置阈值为该数量的固定百分比，保证不同图像都能捕捉到主要线条：

  line_pixel_count = cv.countNonZero(thresh_clean)
  # 动态阈值，可根据实际情况调整比例（例：取线条像素数的30%）
  adaptive_thresh = int(line_pixel_count * 0.3)
  lines = cv.HoughLines(thresh_clean, rho=1, theta=np.pi/180, threshold=adaptive_thresh)
  

• 改用概率霍夫变换（cv.HoughLinesP），它对断裂线条的鲁棒性更强，通过参数过滤短噪声线条、合并断裂的同方向线条：

  lines = cv.HoughLinesP(thresh_clean, rho=1, theta=np.pi/180, threshold=50, minLineLength=100, maxLineGap=20)
  

  其中minLineLength用于过滤短噪声线条，maxLineGap用于合并同方向的断裂线条，可根据同类图像的线条特征批量调优这两个参数。

内容的提问来源于stack exchange，提问作者Zugi