查找可增强punctiform noise以检测图像类污垢成分的滤波技术

以下是多个领域已经落地应用的成熟技术，完全匹配你提到的天文星体增强、医学钙化点检测、类污垢点状特征提取需求：

1. 顶帽/黑帽变换（Top-Hat / Black-Hat Transform） #

• 属于数学形态学滤波范畴，是提取局部小型异质特征的首选基础技术
• 亮特征增强逻辑：用原始图像减去对原始图像做开运算（先腐蚀后膨胀）的结果，仅保留尺寸小于结构元的高亮度局部特征，同时压制大面积均匀亮背景、暗背景
• 暗特征增强逻辑：使用黑帽变换，对原始图像做闭运算（先膨胀后腐蚀）的结果减去原始图像，即可提取尺寸小于结构元的暗于背景的点状特征
• 可调参数：仅需调整结构元的尺寸，设置为略大于目标点状特征的直径即可，适配不同大小的检测目标

2. 高斯差分滤波（Difference of Gaussians, DoG） #

• 核心原理为使用两个标准差不同的高斯核对原始图像做模糊，再将两张模糊后的图像做差，最终输出结果仅保留尺寸落在两个标准差对应区间内的特征，同时压制过大的背景区域和过小的随机噪声
• 典型应用场景：是天文领域增强深空暗弱星体的常用技术，也广泛用于医学影像中钙化点的预筛选，对低对比度点状特征的增强效果优异
• 可调参数：两个高斯核的标准差比值通常设为1.6，可兼顾特征增强效果和冗余噪声抑制能力

3. 拉普拉斯高斯滤波（Laplacian of Gaussian, LoG） #

• 先对图像做高斯模糊过滤无关的细小随机噪声，再对模糊后的图像做二阶拉普拉斯算子运算，检测局部灰度突变区域，点状特征会在运算结果中呈现为明显的峰值，便于后续阈值分割提取
• 优势：对边缘和点状特征的区分度高，不会把线状边缘误判为点状目标，适合对特征类型要求严格的检测场景

4. 限制对比度自适应直方图均衡（CLAHE） #

• 属于局部对比度增强技术，针对图像的每个小邻域单独做直方图均衡，提升局部区域内低对比度点状目标和背景的灰度差，不会出现全局直方图均衡带来的背景噪声大面积放大问题
• 通常作为前置或后置处理，搭配前述形态学、频域滤波使用，可以进一步提升低对比度场景下的检测准确率

import cv2
import numpy as np

# 读取灰度图像
img = cv2.imread("input.png", 0)
# 定义结构元，尺寸根据目标点状特征大小调整，示例为5x5圆形
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
# 顶帽变换：提取亮于背景的点状特征
tophat_result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
# 黑帽变换：提取暗于背景的点状特征
blackhat_result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

内容的提问来源于stack exchange，提问作者user23415