如何用OpenCV/Python去除视频中汽车仪表盘反光以提取道路白线

我明白你现在的困扰——颜色滤波把仪表盘的反光当成白线一起提取了，背景减除又没效果。这其实很常见：反光和白线的HLS特征太接近，而背景减除更适合处理动态变化的背景，仪表盘反光属于和画面同步移动的静态干扰，所以派不上用场。下面给你几个实用的解决方法，结合你的代码直接调整：

方法1：优化感兴趣区域（ROI），精准排除仪表盘 #

你已经在用ROI了，但可能范围还不够精准。仪表盘通常在画面上方偏下的固定区域，可以把ROI的上边界再往下调，完全避开反光区域：

# 调整ROI顶点，压低顶部边界，确保完全排除仪表盘
bottom_left = [cols * 0, rows * 0.9]
top_left = [cols * 0.4, rows * 0.75]  # 把原0.7改成0.75，缩小上半部分范围
bottom_right = [cols * 1, rows * 0.9]
top_right = [cols * 0.6, rows * 0.75]  # 同步调整右侧顶点

这是最直接有效的方法，从根源上把反光区域排除在处理范围外。

方法2：结合边缘检测+形态学操作，过滤反光“伪白线” #

反光通常是大面积的模糊亮区，而道路白线是有清晰边缘的线条。可以通过边缘检测+形态学操作，只保留线条状区域：
在你得到maskedimg后添加以下步骤：

# 转灰度图做边缘检测
gray = cv2.cvtColor(maskedimg, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)

# 创建长条状形态核，保留竖/斜向线条，过滤大面积亮斑
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 10))
# 开运算（先腐蚀再膨胀），去掉小杂斑，保留长线条
line_mask = cv2.morphologyEx(edges, cv2.MORPH_OPEN, kernel)

# 用line_mask过滤，只保留线条区域
final_res = cv2.bitwise_and(maskedimg, maskedimg, mask=line_mask)
cv2.imshow("Filtered White Lines", final_res)

反光区域的边缘不清晰，形态学开运算会把它过滤掉，真正的白线线条会被保留。

方法3：基于亮度的动态阈值调整 #

反光的亮度通常比正常白线更极端（比如过曝），可以在HLS的L通道单独做阈值，排除过亮区域：
修改你的颜色滤波部分：

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HLS)
# 分离亮度通道（L通道）
l_channel = hsv[:, :, 1]
# 排除过亮区域（阈值可根据你的视频调整，比如L>240的部分）
bright_mask = cv2.inRange(l_channel, 0, 240)

# 原来的白色颜色滤波
lower_white = np.uint8([0, 140, 0])
upper_white = np.uint8([255, 255, 255])
color_mask = cv2.inRange(hsv, lower_white, upper_white)

# 合并两个mask，只保留亮度正常的白色区域
final_mask = cv2.bitwise_and(color_mask, bright_mask)
res = cv2.bitwise_and(frame, frame, mask=final_mask)

这样可以把过曝的反光从颜色滤波结果中直接排除。

整合后的完整代码 #

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

cap = cv2.VideoCapture('video3.mov')

while (cap.isOpened()):
    ret, frame = cap.read()
    if not ret:
        break  # 处理视频播放结束的情况

    # 方法3：亮度过滤+颜色滤波
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HLS)
    l_channel = hsv[:, :, 1]
    bright_mask = cv2.inRange(l_channel, 0, 240)
    lower_white = np.uint8([0, 140, 0])
    upper_white = np.uint8([255, 255, 255])
    color_mask = cv2.inRange(hsv, lower_white, upper_white)
    final_mask = cv2.bitwise_and(color_mask, bright_mask)
    res = cv2.bitwise_and(frame, frame, mask=final_mask)

    # 方法1：优化ROI
    rows, cols = hsv.shape[:2]
    bottom_left = [cols * 0, rows * 0.9]
    top_left = [cols * 0.4, rows * 0.75]
    bottom_right = [cols * 1, rows * 0.9]
    top_right = [cols * 0.6, rows * 0.75]
    vertices = np.array([[bottom_left, top_left, top_right, bottom_right]], dtype=np.int32)
    maskzero = np.zeros_like(res)
    cv2.fillPoly(maskzero, vertices, (255,) * maskzero.shape[2])
    maskedimg = cv2.bitwise_and(res, maskzero)

    # 方法2：边缘检测+形态学过滤
    gray = cv2.cvtColor(maskedimg, cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(gray, 50, 150)
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 10))
    line_mask = cv2.morphologyEx(edges, cv2.MORPH_OPEN, kernel)
    final_res = cv2.bitwise_and(maskedimg, maskedimg, mask=line_mask)

    # 展示各阶段效果
    cv2.imshow("Original Filtered", res)
    cv2.imshow("ROI Masked", maskedimg)
    cv2.imshow("Final White Lines", final_res)

    if cv2.waitKey(10) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

你可以根据自己视频的实际情况调整参数，比如ROI坐标、亮度阈值、Canny边缘阈值等。优先试试方法1，因为最直接；如果还有漏网的反光，再叠加方法2或3。

内容的提问来源于stack exchange，提问作者SSR