低对比度图像椭圆拟合预处理与方法选型问询

低对比度样本的预处理优化建议 #

• 先做通道加权融合，放弃单通道独立拟合的逻辑：水下成像不同波段衰减差极大，红通道普遍信噪比极低，蓝绿通道对比度相对更高，按照各通道的局部对比度加权融合成单张灰度图再处理，直接解决你现在不同通道拟合结果偏几像素的核心问题——这个偏差本质是各通道色散、信噪比不一致带来的，单独拟合再平均只会把误差带进来。
• 做局部对比度增强不要用全局直方图均衡，直接上CLAHE，块大小设为标记核心区域尺寸的1/4_{1/3，对比度限制阈值取2}4，既能把低对比度下糊掉的边缘拉出来，也不会像全局均衡那样把水体悬浮颗粒的杂波过度放大。
• 去噪选保边算法，别用普通高斯模糊：优先选双边滤波或者小核非局部均值去噪，比如6464尺寸的切片用33核的双边滤波，压掉散粒噪声的同时不会把标记边缘磨糊，避免后续梯度计算、边缘检测抓到假点。
• 做背景均匀化校正：水下光照不均非常普遍，经常出现标记半边亮半边暗的情况，用尺寸为标记直径2倍以上的大核做形态学开运算估算局部背景，原图减去估算背景后再做灰度拉伸，能把埋在不均匀背景里的弱边缘拎出来，比直接上全局阈值靠谱得多。
• 利用现有ML模型的输出加约束：既然已经有模型能裁出标记核心区，可以让模型同步输出标记的粗略二值掩码，把掩码外的切片区域像素统一置为背景值，排除切片边缘无关杂点的干扰。

三类拟合方案的精度对比结论 #

精度排序不是固定的，和样本质量强相关，但上限差异非常明确：

• 精度上限最高、低对比度鲁棒性最好的是迭代式Star算子方案，前提是补全离群点剔除逻辑。这个方案的逻辑完全适配你手里的径向结构标记：沿径向找梯度峰值的方式不受阈值分割错分、边缘断连的影响，只要初始中心估计偏差不超过标记半径的1/5，迭代2~3次收敛后，中心、轴长、朝向的精度能稳定到亚像素级。你现在实现的时候记得加一步离群点过滤：每条射线找到的梯度点如果和当前估计的椭圆半径差超过2σ，就判定为杂点扔掉，再做最小二乘拟合，精度还能再提一个档次。这个方案唯一的缺点是对初始值有要求，初始中心偏太远会收敛到错误结果。
• 精度排第二的是OpenCV原生的阈值+轮廓+cv2.fitEllipse方案，但稳定性极差。对比度充足、阈值选得合适的时候，提取的轮廓完整，cv2.fitEllipse本身的最小二乘拟合精度也能到亚像素级；但低对比度场景下，全局阈值很容易把轮廓提缺、或者把背景噪点连入轮廓，拟合结果可能偏出十几个像素，完全不可用。如果要优化这个方案，把cv2.threshold的全局阈值换成局部自适应阈值，再加轮廓的圆度、面积筛选，稳定性会提升不少，但精度上限还是碰不到迭代收敛后的Star算子。
• 精度最差的是Canny边缘+霍夫变换椭圆拟合方案。霍夫变换本身存在参数空间量化误差，Canny边缘检测对高低阈值的选择非常敏感，低对比度下要么漏检边缘要么生成大量假边缘，拟合出的轴长、朝向偏差普遍大于前两种方案。这个方案唯一的优势是不需要初始中心估计，完全可以把它的输出当Star算子的初始值，不要直接拿它的结果当最终输出。

补充实操提示：如果要进一步压精度误差，可以把Star算子最后一次迭代收集到的所有梯度点做亚像素细化，比如用灰度矩把边缘点定位到0.1像素级，最终拟合结果的稳定性还能再提升。

内容的提问来源于stack exchange，提问作者dejhost