如何鲁棒检测胶片扫描图像中的针孔参考标记？

我在夹具中曝光胶片，将针孔作为参考标记，用于胶片扫描图像与其他数据的配准。目前靠鼠标点击获取坐标，想实现自动化检测，但用OpenCV做二值图像处理时，找不到稳健的针孔检测方法。

我试过这些Python+OpenCV方法：

• 二值阈值化结合腐蚀膨胀：调参数也没法稳健去噪并保留针孔特征；
• 轮廓检测：漏检针孔还误识别噪声；
• 霍夫变换：效果和上面两种差不多。

补充尝试：模板匹配 #

• 用同一张图像里的针孔做模板，阈值设0.5能准确识别所有针孔；
• 用这个模板检测其他图像时，同阈值下效果很差；调低阈值又会误检灰尘。

示例图像说明 #

• 胶片输入图像：带针孔的胶片扫描原图
• 待处理示例图像：包含10个针孔和1个曝光暗区，仅需提取针孔坐标
• 二值处理效果：噪声较多，针孔特征丢失严重
• 轮廓检测效果：存在针孔漏检和噪声误检
• 同图模板匹配效果：准确识别所有10个针孔
• 异图模板匹配（同阈值）效果：几乎检测不到有效针孔
• 异图模板匹配（低阈值）效果：误检大量灰尘类噪声

尝试的模板匹配代码 #

threshold = 0.7 
templates_dir = '[Path to template images]' 
templates = []

# 加载输入图像和模板图像
print("[INFO] loading images...")
image = cv2.imread(scan_filename)

for nt in range(1,100):
    templates.append(cv2.imread(templates_dir + "{}.tif".format(nt)))

# 转为灰度图
imageGray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 执行模板匹配
print("[INFO] performing template matching...")
for template in templates:
    (tH, tW) = template.shape[:2]
    templateGray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
    result = cv2.matchTemplate(imageGray, templateGray, cv2.TM_CCOEFF_NORMED)

# 筛选匹配结果
(yCoords, xCoords) = np.where(result >= threshold)
clone = image.copy()
print("[INFO] {} matched locations *before* NMS".format(len(yCoords)))
for (x, y) in zip(xCoords, yCoords):
    cv2.rectangle(clone, (x, y), (x + tW, y + tH),(255, 0, 0), 3)

# 非极大值抑制
rects = []
locs = []
for (x, y) in zip(xCoords, yCoords):
    rects.append((x, y, x + tW, y + tH))
pick = non_max_suppression(np.array(rects))
print("[INFO] {} matched locations *after* NMS".format(len(pick)))

# 绘制结果
for (startX, startY, endX, endY) in pick:
    location = (int(endX+(startX-endX)/2), int(endY+(startY-endY)/2))
    locs.append(location)
    cv2.rectangle(image, (startX, startY), (endX, endY),(255, 0, 0), 3)
    cv2.drawMarker(image, location, color=[0, 0, 0], thickness=1, 
                   markerType= cv2.MARKER_TILTED_CROSS, line_type=cv2.LINE_AA,
                   markerSize=9)
cv2.imshow("After NMS", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

方案1：基于Blob检测的特征筛选 #

针孔属于低灰度、小尺寸的类圆形Blob，用OpenCV的SimpleBlobDetector通过多维度特征过滤，能有效区分针孔和噪声：

步骤： #

1. 预处理：用高斯模糊降噪（cv2.GaussianBlur），再用自适应阈值（cv2.adaptiveThreshold）生成二值图——自适应阈值可更好应对胶片的光照不均问题；
2. 配置检测器参数：
   • filterByArea：限定针孔的面积范围（根据实际尺寸调整，比如10-50像素）；
   • filterByCircularity：筛选类圆形特征（比如0.7-1.0，针孔接近圆形，灰尘形状不规则）；
   • filterByConvexity：确保轮廓凸度（比如0.8-1.0）；
   • filterByInertia：筛选圆形/类圆形（比如0.5-1.0）；
3. 提取坐标：检测得到Blob关键点后，直接获取pt属性作为针孔中心坐标。

示例代码片段： #

import cv2
import numpy as np

# 读取图像并转灰度
img = cv2.imread("待处理图像.png", 0)
# 高斯降噪
blur = cv2.GaussianBlur(img, (5,5), 0)
# 自适应阈值二值化（反相，让针孔为白色）
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

# 配置Blob检测器参数
params = cv2.SimpleBlobDetector_Params()

# 面积过滤
params.filterByArea = True
params.minArea = 10
params.maxArea = 50

# 圆形度过滤：4π*面积/周长²，1为完美圆形
params.filterByCircularity = True
params.minCircularity = 0.7

# 凸度过滤：Blob面积/凸包面积
params.filterByConvexity = True
params.minConvexity = 0.8

# 惯性比过滤：圆形接近1，椭圆小于1
params.filterByInertia = True
params.minInertiaRatio = 0.5

# 创建检测器并检测
detector = cv2.SimpleBlobDetector_create(params)
keypoints = detector.detect(thresh)

# 绘制结果
img_with_keypoints = cv2.drawKeypoints(img, keypoints, np.array([]), (0,0,255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow("针孔检测结果", img_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 获取针孔坐标
pinhole_coords = [(round(kp.pt[0]), round(kp.pt[1])) for kp in keypoints]

方案2：改进版模板匹配 #

针对不同图像的光照差异，做以下优化：

1. 多模板匹配：从不同光照、轻微变形的图像中提取多个针孔模板，分别匹配后用非极大值抑制合并去重；
2. 归一化预处理：对输入图像和模板做CLAHE自适应直方图均衡（cv2.createCLAHE），消除光照不均带来的匹配误差；
3. 动态阈值：不取固定阈值，而是取匹配得分前N个结果（N=10，对应已知的针孔数量）；
4. 形状验证：匹配得到候选区域后，检查区域内轮廓的圆形度、面积，过滤误检。

方案3：基于轮廓的精准筛选 #

如果Blob检测效果不足，可结合轮廓分析做更细的过滤：

1. 预处理同方案1（高斯模糊+自适应阈值）；
2. 提取轮廓（cv2.findContours，仅提取最外层轮廓）；
3. 对每个轮廓计算面积、周长、圆形度，只保留符合针孔特征的轮廓；
4. 通过轮廓矩（cv2.moments）计算中心坐标。

关键筛选逻辑： #

contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
pinhole_coords = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    # 过滤面积不符合的区域
    if not (10 < area < 50):
        continue
    perimeter = cv2.arcLength(cnt, True)
    # 计算圆形度
    circularity = 4 * np.pi * area / (perimeter ** 2)
    if circularity < 0.7:
        continue
    # 计算中心坐标
    M = cv2.moments(cnt)
    cx = int(M['m10']/M['m00'])
    cy = int(M['m01']/M['m00'])
    pinhole_coords.append((cx, cy))

方案4：轻量机器学习（可选） #

如果传统方法无法满足需求，可收集针孔和噪声样本，训练轻量分类器：

1. 提取候选区域的特征：面积、圆形度、灰度均值、梯度方差等；
2. 用标注样本训练SVM或随机森林分类器；
3. 检测时先提取所有候选区域，再用分类器过滤得到针孔。

内容的提问来源于stack exchange，提问作者Tom W