嗨，简历/模式识别社区，

关于图像的分割，我遇到了一个严重的问题。场景是炉子里的气氛，使我发疯。而且我需要在短时间内（<10秒）而不是仅在一种特殊情况下检测不同材料（玻璃，陶瓷，Al，Ir ...）的物体轮廓。我还需要代码的连续像素行中的轮廓。因此，还需要使用链代码或所谓的边界/轮廓跟随，因此开孔不好。在背景中会不时出现非线性噪声，大约是灰尘，颗粒或其他一些东西。

欢迎使用Matlab或OpenCV建议。

为了更加清楚，我发布了目标的另一个图像和一个半透明的对象，还需要对其进行检测。还需要注意其他示例。

正如您在图像＃1中看到的那样，图像的右侧部分和恒星的外轮廓附近（即物体）存在粒子。而且总体对比度不是很好。对象本身位于地下，与轮廓检测无关。图像＃2显示了半透明的物体，这也是可能的。

我想找到该物体的轮廓/周长，就像在下一个屏幕（红线）上一样。两个矩形（黄色）标记了起点（左侧）和终点（右侧）。蓝线是可忽略的。

起初我以为我可以只用过滤器解决那种肮脏的气氛。但是经过大量的投入时间，我才意识到，为了提高前景和背景的对比度，我必须大幅度消除或减少噪音。我尝试了很多方法，例如直方图均衡，自适应Otsu均衡，线性滤波器（例如高斯），非线性滤波器（中值，扩散），活动轮廓，k均值，Fuzzy-c-means以及纯Canny边缘检测结合形态运算符。

• 坎尼：粒子和大气正在造成孔洞，但是我需要物体的完整轮廓。仍然以形态算子的闭合，扩张还不够好。由于滞后作用，Canny仍然是我研究过的所有方法中最好的结果。
• 活动轮廓线：它们也可以在边缘/渐变上工作，在对象内部初始化后它们的行为完全疯狂，这可能是由于边缘贴图导致“开放”对象引起的。据我所知，轮廓必须闭合。尝试了不同的衍生产品（GVF / VFC /经典蛇）。
• k均值：由于有雾的背景，结果包括炉内气氛。对于模糊C均值也是如此。由于将对象与背景分离，我选择了两个群集。簇越多，结果越弱。
• 直方图/ Otsu：由于灰度强度非常接近（恕我直言！），它会将对象与背景合并。尝试使用本地和全局方法。
• 滤镜：尤其是GLPF或其他LPF会弄脏边缘，效果不是很好，甚至不会减少有雾的气氛。
• 非线性滤镜保留边缘。它们中的大多数都花很长时间计算大图像。现在使用快速双边过滤器。结果见下文。

因此，没有一种方法足以满足后处理步骤的需要，因为对象段的获得结果与现有算法的竞争性较差。该现有算法非常本地化，因此适用于这种非常特殊的情况。

所以我问你，如果我完全错过了什么...我不知道如何加工以及如何获得良好的轮廓结果而又没有间隙或孔。 CCD和物理环境？提前致谢！

到目前为止的最后一种方法（经过一整夜的MO实验）：

• 双边过滤器（保留边缘，但平滑均匀区域）
• Canny（Sigma = 2，Threshold = [0.04 0.08]）
• 形态运算（MO）： bwareopenclosing， remove和bridge
• bwlabel仅选择轮廓的周长，以消除不必要的噪音。尚无更新的屏幕截图，但适用于明星。玻璃杯有一个与外部轮廓相连的内部轮廓，也可以在下面的屏幕截图中看到。

因此，恐怕我需要一种特殊的算法来遍历外部轮廓。这将是对邻居的一些顺时针/逆时针查找。如果存在拐角，则可以切换顺时针/逆时针的步骤。如果有间隙，请增加半径并再次查看。如果存在以下两个或两个以上的观点，请选择与前一个观点相同的观点。您认为轮廓跟随算法有意义吗？

您可以尝试以下方法：

• 高效的基于图的图像分割：http : //www.cs.brown.edu/~pff/segment/（可用代码）

• 基于GraphCut的细分：http : //www.csd.uwo.ca/~olga/OldCode.html（可用代码）

• 首先使用稀疏方法对图像进行降噪：http： //spams-devel.gforge.inria.fr/（可用代码）

我认为您太早放弃了阈值技术。看看您的直方图，它显然是三峰的：（ 我手动删除了图像右侧的白列，我认为它们不属于图像的一部分-请在运行代码之前获取此图像）

看一下第一组中的所有值：

为了找到在三峰直方图模式，可以使用K-means聚类与K=3上强度。以下Matlab代码可找到th1=67在您的代码上。这个想法是假设您有3组，并在每组上计算加权质心。然后，将每个强度级别分配给它自己的群集。当加权质心停止移动时，您将停止。这是在图像上找到两个阈值的结果，如直方图所示。

function [th1,th2]=SegmentHistTo3()
    im = imread('http://i.stack.imgur.com/U2sc5.png');
    h = imhist(im(:,:,1)); %# Calculate histogram

    th1new = round(256/3); %# Initial thresholds
    th2new = round(256*2/3);
    th1 = 0;
    th2 = 0;

    while (th1~=th1new) || (th2~=th2new) %# While the centroids keep on moving
        th1 = th1new;
        th2 = th2new;

        wa1 = WeightedAverage(h,1,th1);  %# Calculate 3 weighted averages
        wa2 = WeightedAverage(h,th1+1,th2);
        wa3 = WeightedAverage(h,th2,numel(h));

        th1new = round( (wa1+wa2)/2 );  %# The thresholds are middle points between the averages
        th2new = round( (wa2+wa3)/2 );
    end

    figure; hist( double( reshape(im(:,:,1),1,[]) ),256);
    hold on;
    plot( [th1 th1],[0 max(h)],'r','LineWidth',2);
    plot( [th2 th2],[0 max(h)],'r','LineWidth',2);

    figure;imshow( im(:,:,1)<th1);
end

function wa = WeightedAverage(region,th1,th2)    
    regionNonEmpty(th1:th2) = region(th1:th2);
    wa = sum( regionNonEmpty .* (1:numel(regionNonEmpty))) / sum(regionNonEmpty);    
end

之后解决问题是小菜一碟，只需执行一些简单的形态操作即可，例如打开。

如以上所建议的，阈值处理对于该图像是非常有效的，该图像基本上是二进制的，除了恒定的阈值不会因为照明不均匀而起作用。您需要自适应阈值。

我的建议是通过在明亮区域中采样少量值，使用简单模型（可能是平面[3 DOF]或四半径[6 DOF]）进行背景重建。最好是使用较小的ROI来平均掉噪声。然后通过减去（或除以）背景值来校正阴影。

如果不能进行人机交互，则可以通过先直接进行Otsu并考虑均匀地位于阈值以下的ROI（低方差）来自动搜索背景区域。在第一次背景重建之后，您可以通过将此过程应用于经过平面校正的图像来进行改进。

整个过程可以在不到一秒的时间内执行完。

我认为最好的方法是使用活动轮廓。如果您不清楚活动轮廓是什么，请在youtube http://www.youtube.com/watch?v=ijNe7f3QVdA上观看此视频

基本上，您需要进行初始化分割，这将改善形状。我的建议是针对本文中讨论的一种方法，并使用主动轮廓作为第二步，即。作为改进步骤。

这是活动轮廓的实现，您可以使用 http://www.mathworks.com/matlabcentral/fileexchange/19567

您清楚地知道自己要做什么，但是您没有提到使用阈值，特别是您是否尝试过使用Otsu应用全局阈值来计算正确的水平，然后找到轮廓并选择最大的？

[编辑以澄清]

全局阈值显然由于图像上可见的纹理而无法工作。

我快速浏览了一下，发现如果将图像分成6个块（2行，每列3列，大小相等），然后对每个图像使用Otsu进行阈值处理，然后重新组装，则在清理图像方面做得很出色图片。

在恒星的右上方仍然有一些较小的伪影。

在我看来，由于对象具有直线边界，您可能需要考虑使用Hough变换来提取这些边缘，将它们相交以定位顶点，然后将结果用作对象轮廓。

轮廓线总是直线还是已知曲线？

如果是这样，那么我将尝试使用霍夫变换来获得线的方程式，然后从线和itersections重新创建countours，而不是尝试使边缘上的每个像素都正确