如何用Python的cv2去除光片显微镜图像中的白色伪影？

一、亮度>59的白色伪影去除 #

针对亮度超过59的白色伪影，推荐两种实用处理方法：

1. 掩码+图像修复（cv2.inpaint） #

通过标记伪影区域生成掩码，利用周围像素信息修复亮斑，适合孤立或小面积伪影：

import cv2
import numpy as np

# 读取灰度图像（彩色图像可先转灰度或单独处理通道）
img = cv2.imread("your_image.tif", cv2.IMREAD_GRAYSCALE)

# 生成伪影掩码：将亮度>59的区域标记为255，其余为0
mask = np.where(img > 59, 255, 0).astype(np.uint8)

# 修复伪影：inpaintRadius根据伪影实际大小调整，flags可选两种算法
# INPAINT_TELEA运算速度快，INPAINT_NS修复效果更平滑
fixed_img = cv2.inpaint(img, mask, inpaintRadius=3, flags=cv2.INPAINT_TELEA)

2. 形态学预处理+修复 #

如果伪影是细小孤立的斑点，先通过形态学开运算过滤掩码中的冗余噪声，再进行修复：

# 对掩码执行开运算，去除微小亮斑
kernel = np.ones((2, 2), np.uint8)
clean_mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

# 基于清理后的掩码修复图像
fixed_img = cv2.inpaint(img, clean_mask, inpaintRadius=3, flags=cv2.INPAINT_NS)

二、对比度增强 #

伪影去除完成后，可根据图像特点选择以下增强方式：

1. 直方图线性拉伸 #

适合整体亮度偏暗或动态范围较窄的图像，将像素值线性映射至0-255区间：

def linear_stretch(img):
    min_val = np.min(img)
    max_val = np.max(img)
    # 避免图像全黑时出现除以0错误
    if max_val == min_val:
        return img
    stretched = ((img - min_val) / (max_val - min_val)) * 255
    return stretched.astype(np.uint8)

stretched_img = linear_stretch(fixed_img)

2. CLAHE自适应直方图均衡化 #

相比全局均衡化，CLAHE可避免过度增强暗区噪声，更适配光片显微镜图像的特点：

# 创建CLAHE实例：clipLimit控制对比度增强幅度，tileGridSize设置分块大小
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
enhanced_img = clahe.apply(fixed_img)

内容的提问来源于stack exchange，提问作者N K