如何基于OpenCV Python识别含噪图像中的细微划痕？

你已经用模糊+差值+阈值的思路找对了方向，但普通均值模糊和固定阈值对噪声的抑制效果有限，容易留下杂散干扰。这里给你几个针对性的改进方案，亲测对细微划痕提取更有效：

优化思路1：替换模糊方式+局部降噪 #

• 把cv2.blur()换成高斯模糊cv2.GaussianBlur()，它对噪声的抑制更柔和，能在平滑背景的同时更好地保留划痕这类边缘细节
• 差值运算后用cv2.medianBlur()做一次小幅度降噪，过滤掉椒盐噪声类的杂点

优化思路2：用自适应阈值替代固定阈值 #

固定阈值cv2.threshold()很容易受光照不均或局部噪声影响，改用自适应阈值cv2.adaptiveThreshold()，它会根据每个像素的局部区域动态计算阈值，能精准捕捉划痕的明暗差异，适配不同区域的光照变化

优化思路3：结合边缘检测与形态学处理 #

划痕本质是细长的边缘结构，先用Canny边缘检测提取所有边缘，再用形态学开运算（膨胀+腐蚀）保留细长结构、过滤杂散的噪声点

改进后的示例代码 #

import cv2
import numpy as np

# 读取图像并转为灰度图
img = cv2.imread("scratch0.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 方案1：高斯模糊+差值+降噪+自适应阈值
gaussian_blur = cv2.GaussianBlur(gray, (71, 71), 0)
diff = cv2.subtract(gaussian_blur, gray)
diff_denoised = cv2.medianBlur(diff, 3)
th_result = cv2.adaptiveThreshold(diff_denoised, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                  cv2.THRESH_BINARY_INV, 11, 2)

# 方案2：Canny边缘+形态学开运算（强化细长划痕）
edges = cv2.Canny(gray, 50, 150)
# 用细长矩形核适配划痕形状
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 5))
clean_edges = cv2.morphologyEx(edges, cv2.MORPH_OPEN, kernel)

# 显示结果
cv2.imshow("Adaptive Threshold Result", th_result)
cv2.imshow("Cleaned Scratch Edges", clean_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

额外小贴士 #

• 如果划痕是深色（背景为浅色），可以把差值运算改为cv2.subtract(gray, gaussian_blur)，同时调整阈值的二值化方向
• 模糊核的大小(71,71)可以根据图像尺寸和划痕粗细微调，核越大背景平滑越彻底，但可能会模糊过细的划痕
• 形态学核的形状和尺寸也可按需调整，比如针对极细划痕可以用(1,3)的矩形核

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