Python 如何找到像钻头这样的金属零件的精确边缘/二元阈值？

我是OpenCV和python新手，所以请像12年级学生一样帮助我。我的问题是，我想检测出正确的阈值或测量对象的边缘，但我所做的工作会在图像中产生大量噪声，因此我无法找到正确的对象

我试着去除图像中的眩光，然后直方图均衡化，然后尝试自适应阈值

gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
h,s,v=cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV))

bgi=cv2.GaussianBlur(gray, (3, 3), 1.0)
rn_gr = cv2.fastNlMeansDenoising(bgi,None,10,7,21)

equ = cv2.equalizeHist(rn_gr)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(rn_gr)

nonSat = s < 40
disk = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))    
nonSat = cv2.erode(nonSat.astype(np.uint8), disk) 
v2 = v.copy()    
v2[nonSat == 0] = 0;  
glare = v2 > 200;
glare = cv2.dilate(glare.astype(np.uint8), disk);
glare = cv2.dilate(glare.astype(np.uint8), disk);    
corrected = cv2.inpaint(img, glare, 5, cv2.INPAINT_NS)
object=corrected[485:1665,225:335]
gray_co=cv2.cvtColor(object, cv2.COLOR_BGR2GRAY)
bgi_co=cv2.GaussianBlur(gray_co, (3, 3), 1.0)
rn_gr_co = cv2.fastNlMeansDenoising(bgi_co,None,10,7,21)
cl2 = clahe.apply(rn_gr_co)

v=np.median(cl2)
lower=int(max(0,(1.0-sigma)*v))
upper=int(min(255,(1.0+sigma)*v))
print(lower,upper)
edged = cv2.Canny(cl2,lower,upper)
th3_o = cv2.adaptiveThreshold(obj,upper,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)
        th3_o=~th3_o

#kernel = np.ones((5,5),np.uint8)
kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
morph = cv2.morphologyEx(th3_o, cv2.MORPH_GRADIENT, kernel)
closing = cv2.morphologyEx(th3_o, cv2.MORPH_CLOSE, kernel)
opening = cv2.morphologyEx(closing, cv2.MORPH_OPEN, kernel)

contours_o, hierarchy = cv2.findContours(th3_o,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
for cnt_o in contours_o:
   epsilon = 0.1*cv2.arcLength(cnt_o,True)
   approx = cv2.approxPolyDP(cnt_o,epsilon,True)
   con_o = cv2.drawContours(th3_o, contours_o, -1, (0,255,0), 3)
plt.imshow(con_o)
plt.show()

gray=cv2.cvt颜色（img，cv2.COLOR\u bgr2灰色）
h、 s，v=cv2.split（cv2.cvt颜色（img，cv2.COLOR_BGR2HSV））
bgi=cv2.GaussianBlur（灰色，（3,3,1.0）
rn_gr=cv2。快速平均噪声（bgi，无，10,7,21）
等式=cv2.均衡历史（rn\U gr）
clahe=cv2.createCLAHE（clipLimit=2.0，tileGridSize=（8,8））
cl1=分类应用（rn\U gr）
nonSat=s<40
disk=cv2.getStructuringElement（cv2.MORPH_ELLIPSE，（3,3））
非Sat=cv2.腐蚀（非Sat.astype（np.uint8），圆盘）
v2=v.copy（）
v2[nonSat==0]=0；
眩光=v2>200；
眩光=cv2.扩张（眩光A型（np.uint8），圆盘）；
眩光=cv2.扩张（眩光A型（np.uint8），圆盘）；
校正=cv2.修复（img，眩光，5，cv2.修复）
对象=已更正[485:1665225:335]
灰色\u co=cv2.CVT颜色（对象，cv2.COLOR\u BGR2GRAY）
bgi_co=cv2.GaussianBlur（gray_co，（3,3），1.0）
rn_gr_co=cv2。快速方法去噪（bgi_co，无，10,7,21）
cl2=分类申请（注册登记公司）
v=np.中值（cl2）
下限=整数（最大值（0，（1.0西格玛）*v））
上限=整数（最小值（255，（1.0+西格玛）*v））
打印（下、上）
边缘=cv2.Canny（cl2，下部，上部）
th3_o=cv2.自适应阈值（obj，上限，cv2.自适应阈值高斯阈值C，cv2.阈值二进制，11,2）
th3_o=~th3_o
#内核=np.ones（（5,5），np.uint8）
kernel=cv2.getStructuringElement（cv2.MORPH_RECT，（3,3））
形态=cv2.morphologyEx（th3_o，cv2.morph_梯度，内核）
closing=cv2.morphologyEx（th3_o，cv2.MORPH_CLOSE，kernel）
opening=cv2.morphologyEx（closing，cv2.MORPH_OPEN，kernel）
轮廓，层次=cv2.查找轮廓（th3\u o，cv2.检索列表，cv2.链近似\u简单）
对于轮廓中的cnt_o：
ε=0.1*cv2.弧长（cnt_o，真）
近似=cv2.近似聚合（cnt_o，ε，真）
con_o=cv2.绘制等高线（th3_o，等高线_o，-1，（0255,0），3）
展览策划（con_o）
plt.show（）

---

我的预期结果应该像我用边界绘制的图片，但我得到的是这样的东西

我认为你使用了太多的操作，并且过度思考了检测轮廓的方法。您使用了太多的顺序操作，而没有实现每个步骤的目标。通常，对图像进行预处理以去除噪声或平滑图像（高斯/中值/双边模糊）。然后对图像进行二值分割以分离轮廓（阈值分割、Canny边缘检测）。从这里，可以做进一步过滤或增强，如腐蚀或膨胀。然后，您可以找到轮廓并进行附加过滤（轮廓面积、接近度、纵横比）。对于这个问题，我们的想法是用一种策略性的方法保持它的简单性，以便隔离外部轮廓

---

这里有一个潜在的方法

• 转换为灰度和中值模糊图像以消除噪声并平滑图像
• 阈值图像
• 寻找轮廓

---

漂亮的结果这回答了一部分，那么钻头的内部诊断又如何呢。如何检测它们？一个想法是提取钻头的ROI，因为我们有轮廓，从这里可以做颜色阈值来提取较暗的区域。然后，您可以使用Canny边缘检测来查找对角线的轮廓，并使用额外的过滤（如轮廓区域）来确保仅抓取对角线。我想我明白你的意思了，我会尝试一下，但是如果你能像你已经做过的那样给我看结果，那就容易多了。在图像处理中有两个常见的误解：1）边缘检测有效。它没有！二值化/轮廓跟踪有时有效。2） 一个算法可以猜测你的想法（例如只选择你想要的内部边缘）。像上面图像中的Diagnol一样，在图像二值化后，如何确定内部边缘。例如，是否有一种修剪算法只找到连接的循环边？请参见误解2。您试图测量边的精度是多少？你如何知道钻头的真实尺寸？你是想根据一些工业标准来测量吗？假设你能足够准确地找到图像边缘，你会遇到光学方面的问题。即使使用背光在浅色背景下使零件变暗，零件直径也会略小于真实尺寸。我正在尝试达到1/10 mm的精度。我已经使用游标卡尺计算了真实尺寸。是的，我试着按照行业标准来测量。什么样的视力问题？但我想我已经校准了相机的镜头失真。你有什么建议？

import cv2

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

blur = cv2.medianBlur(image, 7)
gray = cv2.cvtColor(blur, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray,160,255, cv2.THRESH_BINARY_INV)[1]

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

for c in cnts:
    cv2.drawContours(image, [c], -1, (36, 255, 12), 2)

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