如何去除带浅条纹图像的暗区：cv2.threshold处理效果不佳求解决方案

可行处理方案 #

你之前用全局阈值效果不佳的核心原因是图像存在局部明暗差异，固定的阈值无法同时适配所有区域的浅条纹与暗区灰度差，可以参考以下几种处理思路：

• 自适应阈值替换全局阈值
  针对局部灰度特性独立计算每个邻域的分割阈值，更适配这类存在明暗不均的图像场景，参考代码：
  th = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 15, 2)
  其中15为邻域计算块的大小，2为阈值校正偏移量，可根据实际输出效果微调这两个参数。如果需要保留条纹的灰度信息而不是输出二值图，把阈值类型替换为你之前用的THRESH_TOZERO即可。
• 背景差分消除暗区干扰
  先通过大核高斯模糊提取不含条纹的背景明暗层，再用背景与原图做差分抵消暗区的整体灰度偏移，之后再做阈值分割就能轻松分离浅条纹：

  # 核尺寸需要大于条纹宽度，保证模糊后条纹被抹平仅保留背景明暗
  background = cv2.GaussianBlur(gray, (51,51), 0)
  # 差分提取前景条纹信息
  diff = cv2.subtract(background, gray)
  # 简单阈值分割得到最终结果，同样可替换阈值类型适配灰度保留需求
  _, res = cv2.threshold(diff, 10, 255, cv2.THRESH_BINARY)
  

• 形态学后处理优化结果
  上述两种方法得到初步分割结果后，可以用小核的形态学开闭运算去除零散噪点，补全条纹的微小断裂处，参考代码：
  res = cv2.morphologyEx(res, cv2.MORPH_OPEN, np.ones((2,2), np.uint8))

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