Jak usunąć odblaski i jasność obrazu (Wstępne przetwarzanie obrazu)?

Mam obraz

Czy jest jakiś sposób na usunięcie jasnych białych plam? Proszę o pomoc dzięki

Edytować:

Po pracy z gaussianem, a następnie wyświetleniu za pomocą imagesc uzyskaj następujący wynik, który wyraźnie pokazuje jasne czerwone plamy Jak się ich pozbyć

Czerwony kanał:

Kanał zielony:

Niebieski kanał:

Edycja 2:

Wykrywanie defektów za pomocą filtra Gabor

Jego histogram:

Jak obliczyć odpowiednio odpowiedni próg.?

Załóżmy, że obszary olśnienia są jedynymi nasyconymi obszarami obrazu. Wykrywanie można przeprowadzić, ustawiając próg intensywności (kod w Mathematica):

saturated = Binarize[ColorConvert[img, "Grayscale"], .9]

Następnie wystarczy tylko wymienić części obrazu wokół maski nasycenia (powiększenie maski odbywa się za pomocą funkcji morfologicznej Dilation). Malowanie za pomocą syntezy tekstur (za pomocą funkcji Inpaint) wydaje się działać dobrze w tym przykładzie, chociaż nie mogę go przetestować jako danych wejściowych do algorytmu wykrywania defektów:

Inpaint[img, Dilation[saturated, DiskMatrix[20]]]

To może być nieco uproszczona odpowiedź, ale czy możesz po prostu przekroczyć próg? na przykład:

img = imread('daRNS.png');
imflat = img; 
imflat(img>150) = 150; 
imagesc(imflat)

prowadzi do:

Oczywiście lepiej byłoby wybrać próg adaptacyjnie. Na przykład możesz spojrzeć na histogram obrazu:

hist(double(img(:)),0:255)

i spróbuj na tej podstawie wybrać odpowiedni próg.

Bez informacji o oświetleniu jest to trudne. Jeśli jednak kształt obiektu na obrazie jest znany, można ustawić szablon kształtu białego blasku (gaussa) i wykonać przesuwane okno, aby znaleźć możliwe wykrycie blasku (a następnie mieszanie kolorów z sąsiedniego obszaru). Percepcyjnie wnioskujemy o kształcie 3D na podstawie obrazów przy użyciu cieniowania. Jeśli kształt z cieniowania może dać gradient powierzchni, możemy zrobić przesuwne okno i sprawdzić nasz szablon olśnienia w każdym miejscu.

Po wykryciu ostrych krawędzi: -

Zasadniczo nakładanie się (maksymalny obszar nakładania się) między obrazami nr 1 i nr 2 będzie wadą.

Moim zdaniem jest to problem widzenia maszynowego, w którym powinieneś kontrolować oświetlenie i mieć dobre pojęcie o maksymalnej jasności jasności pikseli bez olśnienia na obrazie. Wykrywanie defektów jest na ogół problemem widzenia maszynowego, a nie problemem widzenia komputerowego.

To, co widzimy w wyniku oświetlenia, to dodatek odbłysków światła i światła rozproszonego (plus pewna emisja, ale tutaj jest znikoma).

Element zwierciadlany to blask, na błyszczącej powierzchni, takiej jak to jabłko, to znacznie więcej niż odbicie rozproszone (> 10x)

Oznacza to, że jeśli wcześniej ustawisz oświetlenie, wzmocnienie i ekspozycję na rozproszonej powierzchni, możesz być pewien, że nic nie będzie nawet bliskie nasycenia. Tak więc stosowanie ustalonego progu jest tak naprawdę preferowanym rozwiązaniem, o ile udowodniono wystarczającą ilością danych, że „żaden piksel nie zawierający odblasku” byłby powyżej progu. Zasadniczo konfigurujesz warunki oświetlenia, a parametry kamery powodują, że klasyfikacja piksela staje się banalna, w tym przypadku wykonywana za pomocą prostego progu, a nie przez bardziej złożoną, wyuczoną maszynowo funkcję otaczających go pikseli.

Lubię podejście „vini”, nie ma potrzeby pokazywania płaszczyzn RGB. Po prostu działałby tutaj prosty próg skali szarości.

1- projektujesz warunki oświetlenia, a nie otoczenia

2 - uczyń zadanie klasyfikacyjne wyjątkowo trywialnym (próg)

3- zmierzyć funkcję

4 - porównać z tolerancją

Najpierw przekonwertuj na laboratoryjną przestrzeń kolorów, mapminmax, a następnie użyj pierwszego kanału jasności. To zmniejsza problemy z kolorem. Następnie użyj progu dla górnego 80% najjaśniejszego piksela. Sprawdź i przetestuj zanurzenie na histogramie, najlepszy próg znajduje się blisko dolnej krawędzi spadku. Jeśli nie ma lokalnej wartości minimalnej w tym regionie, twój obraz prawdopodobnie ma minimalne odbicia ...... Martin