编程宝库 - 技术改变世界

编程宝库

Python编程技术

Python实现二值掩膜影像去噪与边缘强化方法详解

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))