如何用Python的OpenCV实现工业X光图像的目标处理效果？

问题说明 #

以下为工业零件的X光图像：

原始图：

处理后图：

尝试过CLAHE、直方图均衡化（Histogram EQ）等滤波器但未达到预期效果，需实现如处理后图像的细节增强效果。

可行实现方案 #

方法1：多尺度Retinex算法（MSR） #

该算法专门针对动态范围大的图像（如X光），能有效增强暗部细节同时抑制亮部过曝，匹配目标效果：

import cv2
import numpy as np

def multi_scale_retinex(img, sigma_list):
    img = np.float64(img) + 1.0  # 避免log(0)错误
    retinex = np.zeros_like(img)
    
    for sigma in sigma_list:
        # 计算原图与高斯模糊图的对数差
        retinex += np.log10(img) - np.log10(cv2.GaussianBlur(img, (0, 0), sigma))
    
    # 平均多尺度结果并归一化到0-255
    retinex /= len(sigma_list)
    retinex = np.uint8(cv2.normalize(retinex, None, 0, 255, cv2.NORM_MINMAX))
    return retinex

# 读取灰度图
original_img = cv2.imread("your_xray_image.jpg", cv2.IMREAD_GRAYSCALE)
# 使用3种尺度的高斯核，可根据图像调整
enhanced_img = multi_scale_retinex(original_img, [15, 80, 250])

# 保存或预览结果
cv2.imwrite("enhanced_xray.jpg", enhanced_img)
cv2.imshow("Result", np.hstack([original_img, enhanced_img]))
cv2.waitKey(0)
cv2.destroyAllWindows()

方法2：优化参数的CLAHE+Gamma校正 #

若偏好使用CLAHE，需调整默认参数并结合Gamma校正弥补暗部亮度：

import cv2
import numpy as np

original_img = cv2.imread("your_xray_image.jpg", cv2.IMREAD_GRAYSCALE)
# 调整CLAHE参数：降低裁剪限幅，缩小网格尺寸
clahe = cv2.createCLAHE(clipLimit=0.02, tileGridSize=(8, 8))
clahe_img = clahe.apply(original_img)

# Gamma校正提亮暗部（gamma<1提亮，>1变暗）
gamma = 0.6
gamma_corrected = np.power(clahe_img / 255.0, gamma) * 255.0
enhanced_img = np.uint8(gamma_corrected)

cv2.imwrite("clahe_enhanced_xray.jpg", enhanced_img)

说明 #

普通直方图均衡化会过度放大噪声，默认参数的CLAHE因裁剪限幅过高、网格过大，无法精细增强X光的细微结构。Retinex算法通过对数域的多尺度高斯模糊差，能更好平衡全局亮度与局部细节，更适配X光图像特性。

内容的提问来源于stack exchange，提问作者Viraj Parshuram