使用 OpenCV 检测裂纹之前去除背景纹理图案

Question

我想检测移动传送带上的裂缝。下面是一个例子：

对于上面的图像，我可以使用 GaussianBlur，然后使用 Canny，然后使用 findContour 来检测裂缝。但在其他情况下，我需要检测带有重型图案的皮带上的裂纹。例如下面是没有裂纹的“重纹”皮带。（抱歉，我找不到此类皮带上有裂纹的皮带）。

我的旧方法对于这种类型的皮带不太有效。如果我对 GaussianBlur 使用更大的内核，我可以删除皮带图案。但它也减少/消除了裂缝。

更新：这是另一个斑点类型的裂纹图像。

我尝试使用 SimpleBlobDetector 来检测它。但在厚重的图案带上，它会产生很多误报。关于如何检测图案皮带上的斑点有什么建议吗？

更新2：

我遵循了@nathancy关于双边过滤器的建议：

min_area = 400
blur = cv2.bilateralFilter(gray, 11, 125, 125)
thresh = cv2.adaptiveThreshold(blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,3,2)
canny = cv2.Canny(thresh, 120, 255, 1)

放大后的图像如下。

对于这些特定的图片，我可以执行“min_area = 400”来区分裂缝和图案。然而，较大的内核模糊也会将部分裂纹与图案一起擦掉。所以我预计 min_area 选择在更复杂的真实环境（即不同的光照条件等）中不会非常稳定。我有一个问题，因为图案总是+-45 度。有没有什么过滤器可以帮助去除这些方向上的图案？

Answer 1

这是一个潜在的解决方案

• 将图像转换为灰度和中值模糊
• 自适应阈值
• Canny 边缘检测
• 形态转变以消除噪音
• 扩张以增强轮廓
• 寻找轮廓
• 迭代轮廓并使用最小阈值区域进行过滤

这是结果

一个潜在的预处理步骤是在检测裂缝之前去除黑暗部分，因为它会破坏中值模糊和自适应阈值。例如，如果您能够删除最后一个图像上的黑色部分，您将得到这个结果。

潜在的优化是使用中值模糊，因为这有助于平滑传送带上的图案。您还可以调整最小阈值面积来控制检测到的裂纹的大小

import cv2
import numpy as np

image = cv2.imread('1.png')

blur = cv2.medianBlur(image, 7)
gray = cv2.cvtColor(blur, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,11,3)

canny = cv2.Canny(thresh, 120, 255, 1)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
opening = cv2.morphologyEx(canny, cv2.MORPH_CLOSE, kernel)
dilate = cv2.dilate(opening, kernel, iterations=2)

cnts = cv2.findContours(dilate, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

min_area = 3000
for c in cnts:
    area = cv2.contourArea(c)
    if area > min_area:
        cv2.drawContours(image, [c], -1, (36, 255, 12), 2)

cv2.imshow('image', image)
cv2.imwrite('image.png', image)
cv2.waitKey(0)