低对比度16位灰度图像条纹提取及相邻条纹间距测算咨询

核心需求 #

• 从16位灰度样本中提取条纹特征，输出效果匹配预设参考结果
• 后续完成两个测量需求：
  • 统计右侧条纹的总数量
  • 计算每根左侧条纹末端到相邻右侧条纹末端的距离

现有实现代码 #

import numpy as np
import cv2
from matplotlib import pyplot as plt

gray = cv2.imread('input_file.png',cv2.IMREAD_UNCHANGED)
sobelY = cv2.Sobel(gray, cv2.CV_32F, 0, 1, ksize=3)
sobelY2 = cv2.Sobel(sobelY, cv2.CV_32F, 0, 1, ksize=3)
sobelY2[sobelY2<0]=0
mask = np.where(sobelY2==0,0,1)

sobelY2 = cv2.normalize(sobelY2, dst=None, alpha=0, beta=65535, norm_type=cv2.NORM_MINMAX).astype(np.uint16)
clahe=cv2.createCLAHE(clipLimit=6, tileGridSize=(8,8))
sobelY2_clahe = clahe.apply(sobelY2)
sobelY2_clahe = clahe.apply(sobelY2_clahe)
result = np.where(mask!=0,sobelY2_clahe,0)
fig = plt.figure(figsize=(10, 10))
ax = plt.subplot(121)
plt.imshow(gray, cmap='gray')
ax = plt.subplot(122)
plt.imshow(result, cmap='gray')
plt.show()

现有逻辑说明 #

• 图像读取：输入为16位灰度图，读取时保留原始格式避免精度损失
• 特征提取：采用Y方向二阶Sobel算子突出条纹边缘特征
• 对比度增强：连续两次使用CLAHE算法做局部对比度均衡
• 背景过滤：生成掩码将背景像素值置为0
• 现状：二阶Sobel输出已可呈现基础条纹特征，但与预期效果存在差距，需兼容更高难度的测试样本

优化方案 #

边缘提取环节优化 #

• 边缘检测前先对原图做5x5高斯模糊，过滤背景噪声，减少后续误识别的细碎边缘
• 可将二阶Sobel替换为cv2.Laplacian()算子，对竖直方向条纹的边缘响应更均匀，参数可调性更强
• 增加非极大值抑制步骤，将加粗的条纹边缘细化为单像素宽度，降低后续末端定位和距离计算的误差

对比度处理环节优化 #

• 取消两次连续CLAHE操作，仅保留单次CLAHE，将clipLimit下调至2~3，tileGridSize调整为(16,16)，避免局部对比度过度增强引入噪声
• 可替换CLAHE为灰度拉伸+自适应阈值分割组合，先将Sobel输出的灰度范围拉伸到0~65535，再用OTSU阈值过滤低响应的背景噪声，稳定性优于反复调用CLAHE

后处理环节优化 #

• 拿到边缘图后，使用竖直方向的形态学核（如(7,1)矩形核）做开运算，过滤横向噪声点，保留连续的竖直条纹
• 对二值化后的条纹做连通域分析，过滤面积小于设定阈值的小连通域，直接剔除误识别的噪点

测量环节优化 #

• 条纹提取完成后，对图像右半区域做竖直方向像素投影，统计峰值数量即可得到右侧条纹总数
• 对每根条纹逐列扫描得到上下端点坐标，直接计算相邻左右条纹端点的欧氏距离即可完成测量需求

内容的提问来源于stack exchange，提问作者Xinlong Wang