Image processing 如何检测图像中的盐和胡椒点？

我已经在一个项目上工作了几个星期，以检测机器产生的缺点，但找不到任何好的解决方案。不知道你们能不能给我一些线索

损坏的图像显示如下。坏点是非常亮或暗的点。这些要点具有以下特点：

相对较大或较小的强度

它们大多是一个或两个像素加在一起

我所尝试的：

我把它们当作哈里斯·康纳，用更大的梯度来检测它们。但是，边缘中的某些点也具有较大的渐变。另外，梯度阈值不易确定。较小的阈值引入假阳性，较大的阈值引入假阴性

由于坏点相对于其局部区域具有更大或更小的强度，因此我计算除中心点之外的平均强度，并将其与中心点进行比较。但是，某些强度较大或较小的法线点可能会被该方法错误分类。此外，平均值和中心点之间的差值阈值也很难确定

我还尝试提取点的一些特征，并将它们分类为坏点或好点。虽然我的分类器达到96%的准确率，但这可能会错误分类许多点，因为图像中的点很多。（6000000）

我想知道是否有一些深度学习点检测模式？我想尝试一下，看看他们是否能达到99.99…%的准确率

此外，下面的示例是损坏图像和正常图像。虽然它们对人眼来说非常明显，但我想不出一个完美的方法用计算机来区分它们

具有一些明亮像素的正常图像：

损坏的图像有两个缺点：

---

如果你能在这个问题上给我一些线索，我将不胜感激。非常感谢你

您可以尝试使用半径较小的中值滤波器（3x3或5x5）。然后，当与原始图像的差异较大时，检测椒盐和噪声。

利用Numpy检测范围内的像素强度

[0255]

最小/最大阈值可以工作。其思想是创建一个所有像素的遮罩，大于亮点的某个阈值，小于暗点的另一个阈值。检测到的点用绿色表示

导入cv2
将numpy作为np导入
image=cv2.imread（'1.png'）
灰色=cv2.CVT颜色（图像，cv2.COLOR\u BGR2GRAY）
遮罩=（（灰色>=200）|（灰色无法访问的图像，不要使用远程服务器。
的缺点似乎是噪音。同时，你是如何计算分类器的准确度的？@Masoud谢谢你的回答！是的，我也这么认为。我标记了大约几千个点，并将它们分为训练集和验证集。我在验证集ba上计算它们基于标签。当然，我在测试时平衡了阴性和阳性样本。如何估计相邻像素的像素强度差并设置阈值，然后将像素分类为噪声或正常？您可以根据需要的复杂性检查4个相邻像素或8个相邻像素。我建议这样做，因为这里是像素强度的一个明显区别。这在计算上并不重，与深度学习模型（如果你打算尝试一个）相比，你应该能够上传图像，它们只是链接而不是内联显示。但是，它们将在SO的图像服务器上，其他用户将能够为你内联@李悦城: 你试过了吗？不，你没有。事实上，我试过了。我在分类器中使用了这个功能。虽然它很有用，但还不够@李悦城: 你的意思是你把噪音输入你的分类器吗@李悦城: 你真的在训练这种差异吗？是的。我还使用了其他功能，如像素值。这对salt和papper噪声很好，它们的像素值在全局上是大的还是小的。但是，我的问题与脉冲噪声有关，它们的像素值在局部上是大的还是小的。
import cv2
import numpy as np

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
mask = ((gray >= 200) | (gray <= 100))
image[mask] = [36,255,12]

cv2.imshow('image', image)
cv2.waitKey()