识别非常低级的图片，并在Python中将其涂成纯黑色

我正在研究一种自动“错误计数”算法，我想知道如果我从两张照片中减去两张，我怎么能识别出非常低的对比度（垫板上没有额外的错误-假设相机处于相同的位置，光线条件非常相似），我不会得到一个干净的黑色图像，因为事实上，光线条件将是最小的不同。现在我应用一个高斯滤波器和mahotas.thresholding.otsu（）来找出哪里有bug（在上面放一个白色斑点），然后我使用ndimage.label（）对它们进行计数

然而，如果我的输入图像“cropbugs.jpg”是深灰色的，我会在应用otsu（）后得到一些随机输出，我的label（）函数会返回一个随机的bug计数。如何识别我的图像是深灰色还是低对比度，并将bug count设置为0？ 谢谢

到目前为止，我的代码如下所示：

bug_img = mahotas.imread('cropbugs.jpg')
pylab.gray()

bug_img = ndimage.gaussian_filter(bug_img, 6)#8
T = mahotas.thresholding.otsu(bug_img)
pylab.imshow(bug_img > T)
labeled,nr_objects = ndimage.label(bug_img > T)
print "Bug Count: "+str(nr_objects)
pylab.imshow(labeled)
pylab.jet()
pylab.show()

---

我可以看到解决这个问题的多种方法

（这是评论中的建议）。 根据平均值、标准偏差、最大值或某些组合定义某种类型的固定规则。您最终将进行如下测试之一：

bug_img.mean() + 2*bug_img.std() < THRESHOLD
bug_img.std() < THRESHOLD
bug_img.max() < THRESHOLD
sorted(bug_img.ravel())[-10] < THRESHOLD

---

如果你把图像放在灰度中，并得到颜色的标准差，我想这会让你接近你想要的位置。实际上，将

bug\u img.mean（）

与

bug\u img.std（）

结合起来，以决定图像是否太暗（或对比度低）。问题解决了。顺便说一句，您可以使用（最新版本的）mahotas进行guassian_过滤和标记。所以你不需要ndimage。

labeled,nr_objects = mahotas.label(bug_img > T)
sizes = mahotas.labeled.labeled_size(labeled)
good_objects = (MIN_BUG_SIZE <= sizes) & (sizes <= MAX_BUG_SIZE)
print np.sum(good_objects)