Python实现二值掩膜影像去噪与边缘强化方法详解

目录

• 前言
• 一、方法
• 二、代码
• 三、效果测试

前言

这篇博客主要解决的一个问题是掩膜图像的噪声去除和边缘强化，如下图1所示。可以看到掩膜图像上有很多的斑点噪声，而且掩膜的轮廓也不够清晰。所以我们的目标就是一方面尽可能把这些斑点噪声去除，另一方面尽量突出掩膜边界。另外处理后的掩膜可以比真值大一些，但最好不能小。

图1 原始二值化影像

一、方法

因为之前有做过相关的工作，所以对于保留边界的斑点噪声消除第一反应是使用中值滤波。但很显然对于我们这个应用，单纯中值滤波是不够的。所以就想着那就采用多步处理，融合形态学操作。因此设计了一种如下图所示的方法。

图2 二值掩膜影像去噪与边缘强化技术路线图

中值滤波比较好理解，就是为了消除斑点噪声。而腐蚀操作这是为了处理一些稍大的面状的噪声，通过多次的腐蚀，尽可能消除它们。而后续的3次膨胀操作则是对应3次腐蚀，恢复成“原样”。然后是一个二值化，目的在于进一步去除一些噪声并且强调轮廓。因为有一些较暗的像素经过3次膨胀就会形成很大一块区域。因此，通过二值化可以过滤掉。最后膨胀一方面是为了满足要求“比真值大一些”，另一方面是填充由于腐蚀或者二值化带来的一些空洞。

二、代码

Python版本代码实现如下，非常简单。

import cv2
import numpy as np
import os
def findFiles(root_dir, filter_type, reverse=False):
    print("Finding files ends with \'" + filter_type + "\' ...")
    separator = os.path.sep
    paths = []
    names = []
    files = []
    for parent, dirname, filenames in os.walk(root_dir):
        for filename in filenames:
            if filename.endswith(filter_type):
                paths.append(parent + separator)
                names.append(filename)
    for i in range(paths.__len__()):
        files.append(paths[i] + names[i])
    print(names.__len__().__str__() + " files have been found.")
    paths.sort()
    names.sort()
    files.sort()
    if reverse:
        paths.reverse()
        names.reverse()
        files.reverse()
    return paths, names, files
if __name__ == '__main__':
    root_dir = "./mask" # 影像的输入路径
    out_dir = "./mask/refine"   # 结果的输出路径
    file_type = ".jpg"  # 文件类型
    median_kernel = 7   # 中值滤波卷积核大小
    morph_kernel1 = 5   # 形态学操作卷积核大小1
    morph_kernel2 = 5   # 形态学操作卷积核大小2
    morph_iter1 = 3 # 形态学操作迭代次数1
    morph_iter2 = 3 # 形态学操作迭代次数2
    paths, names, files = findFiles(root_dir, file_type)
    kernel1 = np.ones((morph_kernel1, morph_kernel1), np.uint8)
    kernel2 = np.ones((morph_kernel2, morph_kernel2), np.uint8)
    for i in range(len(files)):
        img_gray = cv2.imread(files[i], cv2.IMREAD_GRAYSCALE)
        # 主要流程：先做一次中值滤波，去除零碎像素噪声点
        # 然后再做3次腐蚀操作去除一些噪声块，再做3次膨胀操作填充回来
        # 然后，做个Otsu二值化，把一些潜在的噪声去除
        # 最后，为了使掩膜尽可能包含真值，再做一次膨胀操作
        img_median = cv2.medianBlur(img_gray, ksize=median_kernel)
        img_erode = cv2.erode(img_median, kernel1, iterations=morph_iter1)
        img_dilate = cv2.dilate(img_erode, kernel1, iterations=morph_iter1)
        ret, img_threshold = cv2.threshold(img_dilate, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
        img_mask = cv2.dilate(img_threshold, kernel2, iterations=morph_iter2)
        # 绘制轮廓，可视化，以及保存
        _, contours, _ = cv2.findContours(img_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
        img_rgb = cv2.cvtColor(img_gray, cv2.COLOR_GRAY2BGR)
        img_contours = cv2.drawContours(img_rgb, contours, -1, (0, 0, 255))
        cv2.imwrite(out_dir + "/" + names[i].split(".")[0] + "_refine.jpg", img_mask)
        cv2.imwrite(out_dir + "/" + names[i].split(".")[0] + "_range.jpg", img_contours)
        # 如果需要查看每一步结果，可以把下面这些注释掉
        # cv2.imwrite(out_dir + "/" + names[i].split(".")[0] + "_median.jpg", img_median)
        # cv2.imwrite(out_dir + "/" + names[i].split(".")[0] + "_erode.jpg", img_erode)
        # cv2.imwrite(out_dir + "/" + names[i].split(".")[0] + "_dilate.jpg", img_dilate)
        # cv2.imwrite(out_dir + "/" + names[i].split(".")[0] + "_threshold.jpg", img_threshold)
        print(i + 1, "/", len(files))

三、效果测试

为了测试效果，输出了中间过程的结果。如下是输入的原始影像。

然后首先进行中值滤波，结果如下。

然后进行3次腐蚀操作，以去除一些噪声，如下。

为了保证掩膜和输入一样，再膨胀3次，结果如下。

由于掩膜是0-1影像，为了过滤掉一些中间值，进行一次二值化，结果如下。

二值化以后难免会有一些空洞，因此使用膨胀操作进行填充，最终生成的掩膜如下。

将生成的掩膜范围绘制到输入影像上(红色框线)如下图所示。

到此这篇关于Python实现二值掩膜影像去噪与边缘强化方法详解的文章就介绍到这了,更多相关Python二值掩膜影像去噪内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！