如何使用python从图像中去除边界噪声？

我试图通过删除图像中的黑色边框和无关的非眼睛特征（例如，文本和“剪辑”见下文），用3个随机方块的平均像素值替换黑色区域，从而对眼睛血管的照片进行预处理

crop1 = randomCrop(image2, 50, 50) #Function that finds random 50x50 area
crop2 = randomCrop(image2, 50, 50)
crop3 = randomCrop(image2, 50, 50)

mean1 = RGB_Mean(crop1)
mean2 = RGB_Mean(crop2)
mean3 = RGB_Mean(crop3)

#RGB Mean
result = [statistics.mean(k) for k in zip(mean1, mean2, mean3)]

for i in range(len(image2[:,0, 0])):
    for j in range(len(image2[0,:,0])):
        thru_pixel = image2[i, j]
        if (thru_pixel[0] < 50 and thru_pixel[1] < 50 and thru_pixel[2] < 50):
            image2[i,j, :] = result
        if (thru_pixel[0] > 190 and thru_pixel[1] > 190 and thru_pixel[2] > 190):
            image2[i,j, :] = result

crop1=randomCrop（image2，50，50）#查找随机50x50区域的函数
crop2=随机裁剪（图像2、50、50）
crop3=随机裁剪（图像2、50、50）
平均值1=RGB_平均值（crop1）
平均值2=RGB_平均值（crop2）
平均值3=RGB_平均值（crop3）
#RGB均值
结果=[统计。zip中k的平均值（k）（平均值1，平均值2，平均值3）]
对于范围内的i（len（图像2[：，0，0]）：
对于范围内的j（len（图像2[0，：，0]）：
通过像素=图像2[i，j]
如果（通过像素[0]<50和通过像素[1]<50和通过像素[2]<50）：
图像2[i，j:]=结果
如果（通过像素[0]>190和通过像素[1]>190和通过像素[2]>190）：
图像2[i，j:]=结果

但是，图像边框周围有剩余的噪波，左下角也有剩余的文本和剪辑

下面是一个示例图像

原件：

和后处理

您可以看到，在右下角仍然有剩余的黑灰色边框噪音以及文本，在左下角还有一个“剪辑”。在保持眼部血管完整性的同时，我是否可以尝试去除这些人工制品

---

谢谢你的时间和帮助

假设你想分离眼部血管，这里有一种方法可以分为两个阶段，一个是去除伪影，另一个是分离血管

• 将图像转换为灰度
• 大津阈值法获取二值图像
• 执行形态学操作以移除瑕疵
• 自适应阈值法分离血管
• 查找轮廓并使用最大阈值区域进行过滤
• 按位和以获得最终结果

---

从原始图像开始，我们将其转换为灰度和大津阈值以获得二值图像

现在，我们执行“变形打开”以移除瑕疵（左）。我们反转此遮罩以获得白色边框，然后执行一系列逐位操作以获得移除的伪影图像（右）

从这里我们自适应阈值得到静脉

注意，存在不需要的边界，因此我们找到轮廓并使用最大阈值区域进行过滤。如果轮廓通过过滤器，我们将其绘制到空白遮罩上

最后，我们对原始图像执行位和运算以得到结果

请注意，我们可以在自适应阈值之后执行附加的“变形打开”，以移除小的噪波粒子，但折衷是它将移除静脉细节。我将把这一可选步骤留给你

import cv2
import numpy as np

# Grayscale, Otsu's threshold, opening
image = cv2.imread('1.png')
blank_mask = np.zeros(image.shape, dtype=np.uint8)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15,15))
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=3)

inverse = 255 - opening
inverse = cv2.merge([inverse,inverse,inverse])
removed_artifacts = cv2.bitwise_and(image,image,mask=opening)
removed_artifacts = cv2.bitwise_or(removed_artifacts, inverse)

# Isolate blood vessels
veins_gray = cv2.cvtColor(removed_artifacts, cv2.COLOR_BGR2GRAY)
adaptive = cv2.adaptiveThreshold(veins_gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,11,3)

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

for c in cnts:
    area = cv2.contourArea(c)
    if area < 5000:
        cv2.drawContours(blank_mask, [c], -1, (255,255,255), 1)

blank_mask = cv2.cvtColor(blank_mask, cv2.COLOR_BGR2GRAY)
final = cv2.bitwise_and(image, image, mask=blank_mask)
# final[blank_mask==0] = (255,255,255) # White version

cv2.imshow('thresh', thresh)
cv2.imshow('opening', opening)
cv2.imshow('removed_artifacts', removed_artifacts)
cv2.imshow('adaptive', adaptive)
cv2.imshow('blank_mask', blank_mask)
cv2.imshow('final', final)
cv2.waitKey()

导入cv2
将numpy作为np导入
#灰度，大津阈值，打开
image=cv2.imread（'1.png'）
空白屏蔽=np.Zero（image.shape，dtype=np.uint8）
灰色=cv2.CVT颜色（图像，cv2.COLOR\u BGR2GRAY）
thresh=cv2.阈值（灰色，0，255，cv2.thresh\u二进制+cv2.thresh\u大津）[1]
kernel=cv2.getStructuringElement（cv2.morp_RECT，（15,15））
opening=cv2.morphologyEx（thresh，cv2.MORPH_OPEN，kernel，迭代次数=3）
反向=255-打开
反向=cv2.合并（[反向，反向，反向]）
移除的_伪影=cv2。按位_和（图像、图像、掩码=打开）
移除的\u伪影=cv2.按位\u或（移除的\u伪影，反向）
#隔离血管
纹理\u灰色=cv2.CVT颜色（移除的\u瑕疵，cv2.COLOR\u BGR2GRAY）
自适应=cv2.自适应阈值（纹理灰度，255，cv2.自适应阈值高斯C，cv2.阈值二进制INV，11,3）
cnts=cv2.findContours（自适应、cv2.RETR\u树、cv2.CHAIN\u近似、简单）
如果len（cnts）==2个其他cnts[1]，则cnts=cnts[0]
对于碳纳米管中的碳：
面积=cv2。轮廓面积（c）
如果面积小于5000：
cv2.绘制轮廓图（空白掩模，[c]，-1，（255255），1）
空白遮罩=cv2.CVT彩色（空白遮罩，cv2.COLOR\U BGR2GRAY）
final=cv2.按位_和（图像、图像、掩码=空白_掩码）
#最终[空白遮罩==0]=（255255255）#白色版本
cv2.imshow（'thresh'，thresh）
cv2.imshow（“开始”，开始）
cv2.imshow（'移除的\u工件'，移除的\u工件）
cv2.imshow（“自适应”，自适应）
cv2.imshow（“空白屏蔽”，空白屏蔽）
cv2.imshow（“最终”，最终）
cv2.waitKey（）

非常感谢，刚刚实现了这个，效果非常好！将不得不调整它以获得理想的分割结果，但这比我要求的要多得多。如果你只想获得大静脉，你可以使用

（3,3）

内核先进行变形打开，然后进行变形关闭。它应该去除微小的颗粒，但保留主静脉