含噪显微图像圆形检测：直方图均衡化适配难题与AI转向

问题背景 #

现有传统圆形检测流程存在以下痛点：

• CLAHE+图像模糊+Hough Circles组合在多数场景有效，但装置参数变动时需重新调整阈值，鲁棒性不足；部分样本仅能检测到单个圆形
• 直方图均衡化可提升圆形清晰度，但会导致Hough Circles完全失效；gainDivision去背景后再做均衡化也无法适配Hough变换
• 需实现对直方图均衡化后图像的精准圆形检测，同时避免背景噪声产生伪圆

可行的AI落地方案 #

1. 轻量级目标检测模型微调 #

• 选用YOLOv8n或轻量版Faster R-CNN，针对显微镜圆形样本构建专属标注数据集：
  • 标注直方图均衡化后图像中所有真实圆形的边界框、圆心坐标及半径
  • 加入显微镜场景特有的数据增强（如随机噪声注入、光照强度调整、轻微旋转），提升模型对装置变动的适应性
• 微调过程中重点优化小目标检测逻辑，适配不同尺寸的圆形样本
• 推理阶段直接从预处理后的图像输出检测结果，无需依赖传统算法的参数调优

2. 实例分割模型去噪检测 #

• 采用Mask R-CNN或微调后的实例分割模型，通过分割掩码精准区分真实圆形与背景噪点：
  • 利用掩码的完整性过滤背景中类圆形的噪声，仅保留具有连续圆形轮廓的目标
  • 从分割结果中提取圆心坐标与半径，完成圆形参数的精准计算

3. 自定义CNN回归模型 #

• 构建小型CNN模型适配圆形检测任务：
  • 输入为直方图均衡化后的图像，输出为所有圆形的(x,y,r)参数回归值
  • 采用欧氏距离损失函数训练，结合非极大值抑制（NMS）去除重复检测结果
• 模型体积小、推理速度快，适合自动化显微镜的实时检测需求

内容的提问来源于stack exchange，提问作者Hugo Sebastiao