图像裂纹检测形态学掩膜问题求助：部分主裂纹未被掩膜

问题描述 #

我是图像处理领域新手，正在开发图像裂纹检测代码，目标是构建机器学习算法实现裂纹的检测与量化。目前尝试通过形态学操作对边缘间区域进行掩膜，再基于掩膜总面积完成可视化与量化，但应用形态学变换后部分主裂纹仍未被掩膜。

处理流程：原始图 → 灰度化 → 均值模糊 → 对数变换 → 双边滤波 → Canny边缘检测 → 形态学闭操作

相关图像：

• 原始图：原始裂纹样本图
• 边缘图：Canny检测后的边缘图
• 形态学处理图：闭操作后的结果图

当前使用的代码：

# importing necessary libraries
import numpy as np
import cv2
from matplotlib import pyplot as plt

# read a cracked sample image
img = cv2.imread('Input-Set/Original.tif')

# Convert into gray scale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Image processing ( smoothing )
# Averaging
blur = cv2.blur(gray,(3,3))

# Apply logarithmic transform
img_log = (np.log(blur+1)/(np.log(1+np.max(blur))))*255
# Specify the data type
img_log = np.array(img_log,dtype=np.uint8)

# Image smoothing: bilateral filter
bilateral = cv2.bilateralFilter(img_log, 5, 75, 75)

# Canny Edge Detection
edges = cv2.Canny(bilateral,20,20)

# Morphological Closing Operator
kernel = np.ones((10,10),np.uint8)
closing = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)

# Create feature detecting method
orb = cv2.ORB_create(nfeatures=1500)

# Make featured Image
keypoints, descriptors = orb.detectAndCompute(closing, None)
featuredImg = cv2.drawKeypoints(closing, keypoints, None)

# Create an output image
cv2.imwrite('Output-Set/Edges.tif', edges)
cv2.imwrite('Output-Set/Morphology.tif', closing)

问题分析 #

1. Canny阈值设置不合理：高低阈值均设为20，易导致裂纹边缘断裂，后续闭操作无法填充断裂区域。
2. 形态学Kernel不匹配裂纹形态：(10,10)方形Kernel对细长裂纹的填充效果差，还可能误填充非裂纹区域。
3. 预处理步骤冗余：对数变换可能增强噪声干扰边缘检测，过度平滑的双边滤波可能丢失裂纹细节。
4. 从边缘图做闭操作的局限性：闭操作依赖连续边缘填充空隙，若边缘本身断裂，无法完全闭合裂纹区域。

改进方案 #

1. 调整Canny阈值（增强边缘连续性） #

用Otsu阈值辅助动态设置Canny高低阈值，避免边缘断裂：

# 用Otsu阈值分割得到参考阈值
_, otsu_thresh = cv2.threshold(bilateral, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 以Otsu阈值的1/2和1倍作为Canny高低阈值
edges = cv2.Canny(bilateral, otsu_thresh//2, otsu_thresh)

2. 使用适配裂纹的形态学Kernel #

替换方形Kernel为长条状，针对细长裂纹做定向填充：

# 横向裂纹适配Kernel
kernel_h = cv2.getStructuringElement(cv2.MORPH_RECT, (15,1))
# 纵向裂纹适配Kernel
kernel_v = cv2.getStructuringElement(cv2.MORPH_RECT, (1,15))
# 先横向闭操作，再纵向闭操作
closing_h = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel_h)
closing = cv2.morphologyEx(closing_h, cv2.MORPH_CLOSE, kernel_v)

3. 优化预处理流程 #

去掉对数变换，改用高斯模糊保留边缘同时抑制噪声：

# 替换均值模糊为高斯模糊
blur = cv2.GaussianBlur(gray, (3,3), 0)
# 直接对模糊后的图像做双边滤波
bilateral = cv2.bilateralFilter(blur, 5, 75, 75)

4. 先二值化再形态学修复（更高效的掩膜生成） #

跳过边缘图直接做阈值分割，得到初始裂纹掩码后再修复：

# 自适应阈值分割，适配光照不均的场景
binary = cv2.adaptiveThreshold(bilateral, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
# 闭操作填充裂纹空隙，开操作去除小噪声
kernel_close = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel_close, iterations=2)
kernel_open = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
final_mask = cv2.morphologyEx(closing, cv2.MORPH_OPEN, kernel_open)

完整改进代码 #

import numpy as np
import cv2

# 读取图像
img = cv2.imread('Input-Set/Original.tif')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 预处理：高斯模糊+双边滤波
blur = cv2.GaussianBlur(gray, (3,3), 0)
bilateral = cv2.bilateralFilter(blur, 5, 75, 75)

# 自适应阈值分割生成初始掩码
binary = cv2.adaptiveThreshold(bilateral, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

# 形态学修复裂纹掩码
kernel_close = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel_close, iterations=2)
kernel_open = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
final_mask = cv2.morphologyEx(closing, cv2.MORPH_OPEN, kernel_open)

# 计算裂纹占比
crack_area_ratio = np.sum(final_mask == 255) / (img.shape[0] * img.shape[1]) * 100
print(f"裂纹面积占比：{crack_area_ratio:.2f}%")

# 保存结果
cv2.imwrite('Output-Set/Final_Mask.tif', final_mask)

额外建议 #

• 若后续结合机器学习，可将高质量掩码作为训练标签，训练U-Net等语义分割模型，提升复杂场景下的检测精度。
• 可使用cv2.findContours提取裂纹轮廓，进一步量化裂纹的长度、宽度等参数。

内容的提问来源于stack exchange，提问作者Abdullah