扫描电镜图像表面标记点检测技术求助

我需要为样品表面的微小标记点创建感兴趣区域（ROI），确定其位置和尺寸，用于拉伸测试。尝试了多种滤波与检测技术均未成功，寻求相关技术建议。

样品图像 #

（高清图像文件约50MB）

当前实现代码 #

import cv2
import numpy as np

def filter_sem_image(image_path):
    
    image = cv2.imread(image_path, 0)  # 以灰度模式读取图像
    
    denoised_image = cv2.medianBlur(image, 3)

    # 使用直方图均衡化增强对比度
    equalized_image = cv2.equalizeHist(denoised_image)

    # 应用自适应阈值分割标记点
    _, thresholded_image = cv2.threshold(equalized_image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 在阈值化图像中查找轮廓
    contours, _ = cv2.findContours(thresholded_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    # 根据尺寸和形状过滤轮廓
    filtered_contours = []
    for contour in contours:
        area = cv2.contourArea(contour)
        perimeter = cv2.arcLength(contour, True)
        circularity = 4 * np.pi * area / (perimeter ** 2)

        # 排除较大的裂纹，确保标记点的圆度
        if area < 1000 and circularity > 0.7:
            filtered_contours.append(contour)

    # 在空白图像上绘制过滤后的轮廓
    filtered_image = np.zeros_like(image)
    cv2.drawContours(filtered_image, filtered_contours, -1, (255), thickness=cv2.FILLED)

    return filtered_image


sem_image_path = "sem_image.jpg"
filtered_image = filter_sem_image(sem_image_path)


cv2.imshow("Filtered SEM Image", filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

针对SEM图像中微小标记点的检测需求，结合现有代码的不足，可从以下方向调整方案：

1. 预处理阶段优化 #

• 替换全局直方图均衡化为CLAHE：全局均衡化易过度放大噪声，对比度受限自适应直方图均衡化（CLAHE）可增强局部对比度同时抑制噪声：

  clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
  enhanced_image = clahe.apply(denoised_image)
  

• 改用双边滤波去噪：相比中值滤波，双边滤波能在去噪时保留标记点边缘细节，适配SEM图像的纹理特性：

  denoised_image = cv2.bilateralFilter(image, d=9, sigmaColor=75, sigmaSpace=75)
  

2. 阈值分割策略调整 #

• 使用自适应阈值替代OTSU全局阈值：SEM图像光照不均，自适应阈值可根据局部区域动态调整，更适合暗标记点的分割：

  thresholded_image = cv2.adaptiveThreshold(enhanced_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
  

  采用THRESH_BINARY_INV是因为标记点亮度低于背景，反转后可将标记点转为白色便于后续处理。

3. 轮廓过滤规则细化 #

• 增加宽高比约束：除圆度外，标记点应接近正圆，宽高比需控制在1左右：

  x, y, w, h = cv2.boundingRect(contour)
  aspect_ratio = float(w)/h
  if 0.8 < aspect_ratio < 1.2:  # 限制宽高比范围
      # 结合面积、圆度条件进一步筛选
  

• 精准设置面积范围：先在高清图像中测量几个真实标记点的面积，再设置更精准的上下限，避免误过滤或漏检。

4. 备选检测方案：霍夫圆检测 #

针对圆形标记点，霍夫圆检测是更直接的方法，配合预处理后的图像可提升检测精度：

circles = cv2.HoughCircles(enhanced_image, cv2.HOUGH_GRADIENT, dp=1.2, minDist=20,
                           param1=50, param2=30, minRadius=5, maxRadius=20)
if circles is not None:
    circles = np.uint16(np.around(circles))
    for i in circles[0,:]:
        # 绘制圆心和圆轮廓
        cv2.circle(filtered_image, (i[0], i[1]), i[2], (255), 2)
        cv2.circle(filtered_image, (i[0], i[1]), 2, (255), 3)

需根据实际标记点大小调整minDist、minRadius、maxRadius等参数。

5. 后处理优化 #

• 非极大值抑制：若检测到重叠或重复的候选区域，用非极大值抑制去除冗余结果，确保每个标记点仅被识别一次。

内容的提问来源于stack exchange，提问作者Hebbmat330