嘈杂图像中的长边界检测

Question

我试图从一个相当嘈杂的图像中提取一个单一的长边界（请原谅绿色，图像在任何情况下都会转换为灰度）。我试过运行各种边缘检测和阈值算法来提取边界。到目前为止，我得到的最接近的方法是使用与scikit图像捆绑在一起的本地Otsu阈值：

即便如此，我仍然无法提取出任何有意义的边界-当我试图对图像进行边缘检测时，图像会陷入噪声中，而这些噪声会被阈值分割大大放大-边界检测算法在很大程度上依赖于导数的计算，因此，二值图像中的急剧变换确实会影响它们的性能，但我认为这是必要的，因为没有其他方法能够区分边界。在

有没有什么方法可以强制局部Otsu阈值在特定的全局阈值下使噪声变平，或者让一种边界提取算法忽略看起来像这样的东西？在

或者最好写一个基于局部Otsu阈值的替换，它只在返回类似于线的模式时应用阈值？在

任何帮助，找到正确的方法，以获得相关的边界是感激的。在

Answer 1

这是一个很好的萨夫曼-泰勒不稳定性；）

格伦是对的，你可能需要在检测边缘之前做一些滤波（梯度对噪声非常敏感）。因为你要检测边缘，你需要尝试一个边缘保持去噪滤波器。以下是一些示例：

http://scikit-image.org/docs/dev/auto_examples/plot_denoise.html

下面是一个快速过滤图像的方法：

from skimage import io
from skimage import color
from skimage import filter
import matplotlib.pyplot as plt

image = color.rgb2gray(io.imread('4g1te.png'))
denoised = filter.denoise_tv_bregman(image, 1)
edges = filter.canny(denoised, 1, 0.01, 0.1)

fig, axes = plt.subplots(ncols=2)
axes[0].imshow(denoised)
axes[1].imshow(edges)
for ax in axes:
    ax.set_axis_off()
plt.show()

你得多玩一会儿才能把这件事做好。我还尝试从边缘图像中过滤出一些小线段；也许，一些几何特性会有帮助：

http://scikit-image.org/docs/dev/auto_examples/plot_regionprops.html

祝你好运！在