Python OpenCV：消除背景噪声并增加信号强度

我是OpenCV新手，尝试了多种方法，但仍然存在一些问题。 我有这样的图像：

在中心有一个簇（很难看到）。我想找到这些簇并计算它们。我使用了

cv2.findContours

，这对于集群亮度好、背景噪声不太强的图像来说已经非常有效了

对于这样的图像，如果簇非常暗，或者背景噪声非常强，看起来与实际簇非常相似的图像，我在检测它们时会遇到问题

所以我现在要做的是去除背景噪声，这样就只剩下集群了。然后我可以增加图像的亮度，（我认为）应该更容易识别那些簇

背景噪音非常大！上面的图像是一个示例，其中没有太多的背景噪声，但可能更糟。 我有我知道的图像，其中没有簇（阴性对照）。那里的一切都是背景噪音。所以我的想法是在阴性对照中找到主色：

from skimage import io
def getDominantColor(image):
        a = io.imread(image)[:, :, :-1]
    
        colors, count = np.unique(a.reshape(-1, a.shape[-1]), axis=0, return_counts=True)
        return colors[count.argmax()]

主色应该是背景噪声。 然后从包含簇的图像中减去主色：

def substract(image, dominant):
    cells = cv2.imread(image)
    cells = cells[:, :, 2]
    cells = cv2.subtract(cells, dominant)

但此代码不起作用…：）但除此之外，我想知道你们是否认为这是解决这类问题的正确方向

简而言之，我想去除背景噪声，这样只有我感兴趣的信息才会留在图像中。 背景噪音可能很大，我有一些图像，我知道只有背景噪音在那里，没有其他东西

非常感谢你给我的任何提示！ 顺致敬意，

---

Martin

在Python/OpenCV/Skimage中有一种方法

 - Read the input
 - Stretch to full dynamic range
 - Apply morphology to clean the image
 - Convert to gray
 - Otsu threshold
 - Get the largest contour
 - Draw the contour outline on the stretched image
 - Extract the contour region from the stretched image and place it on a black background
 - Save the results

输入：

拉伸到全动态范围图像：

形态学清理图像：

灰色图像：

阈值图像：

拉伸图像上的轮廓：

黑色背景上拉伸图像的轮廓区域：

---

在Python/OpenCV/Skimage中有一种方法

 - Read the input
 - Stretch to full dynamic range
 - Apply morphology to clean the image
 - Convert to gray
 - Otsu threshold
 - Get the largest contour
 - Draw the contour outline on the stretched image
 - Extract the contour region from the stretched image and place it on a black background
 - Save the results

输入：

拉伸到全动态范围图像：

形态学清理图像：

灰色图像：

阈值图像：

拉伸图像上的轮廓：

黑色背景上拉伸图像的轮廓区域：

---

这里是我以前在Python/OpenCV中的解决方案的另一个变体

 - Read the input
 - Stretch to full dynamic range
 - Convert to gray
 - Threshold
 - Blur
 - Threshold again
 - Get the largest contour
 - Draw the contour outline on the stretched image
 - Extract the contour region from the stretched image and place it on a black background
 - Save the results

输入：

• 读取输入
• 拉伸至全动态范围
• 应用形态学来清理图像
• 变灰
• 大津阈值
• 获得最大的轮廓
• 在拉伸图像上绘制轮廓轮廓
• 从拉伸图像中提取轮廓区域并将其放置在黑色背景上
• 保存结果

拉伸图像：

灰色图像：

最终阈值图像：

结果1：

结果2：

---

这里是我以前在Python/OpenCV中的解决方案的另一个变体

 - Read the input
 - Stretch to full dynamic range
 - Convert to gray
 - Threshold
 - Blur
 - Threshold again
 - Get the largest contour
 - Draw the contour outline on the stretched image
 - Extract the contour region from the stretched image and place it on a black background
 - Save the results

输入：

• 读取输入
• 拉伸至全动态范围
• 应用形态学来清理图像
• 变灰
• 大津阈值
• 获得最大的轮廓
• 在拉伸图像上绘制轮廓轮廓
• 从拉伸图像中提取轮廓区域并将其放置在黑色背景上
• 保存结果

拉伸图像：

灰色图像：

最终阈值图像：

结果1：

结果2：

---

谢谢！这看起来很有趣。我只是尝试一下，但我得到了以下错误：gray=cv2.cvtColor（morph，cv2.COLOR\u BGR2GRAY）…>不支持的输入图像深度：>'VDepth:：contains（depth）>，其中>'depth'为6（CV_64F）。您可能知道问题出在哪里？我也试过彩色照片，同样的错误可能是OpenCV版本的问题。它适用于我的OpenCV 3.8和Python 3.7。您使用的是什么版本？输入图像的数据类型是什么<代码>打印（img.dtype）。作为猜测，请尝试

cv2.cvtColor（morph.astype（np.uint8）、cv2.COLOR\u bgr2 gray）

或enCV版本问题。它适用于我的OpenCV 3.8和Python 3.7。请尝试

cv2.cvtColor（（255*morph）.aType（np.uint8），cv2.COLOR\u bgr2 gray）

+1。你能解释一下形态学部分吗？我最近也在做类似的事情，除了有点原始的模糊，我想不出别的东西。我的意思是为什么你选择做你所做的，等等。形态闭合将更好地合并你的中心绿色，而开放将删除小的浅绿色圆点。如果在关闭后放置imshow，可以看到效果。对于去除小对象，形态学通常比模糊更有效。收盘是扩张，然后是侵蚀。开放是一个先侵蚀后扩张的过程。@fmw42我现在玩了一点（你对修复的建议起了作用），但这真的需要很长时间。以上只是一个示例图像。原始的是9000x9000像素。计算需要几分钟。。。这对我的用例来说太长了。你有没有别的想法？你认为使用直方图，找出最主要的颜色，然后去掉这个颜色怎么样。然后我会增加剩余颜色的强度。也许这不会像你的方法那样精确，但我的情况下也不需要100%的正确性。谢谢！这看起来很有趣。我只是尝试一下，但我得到了以下错误：gray=cv2.cvtColor（morph，cv2.COLOR\u BGR2GRAY）…>不支持的输入图像深度：>'VDepth:：contains（depth）>，其中>'depth'为6（CV_64F）。您可能知道问题出在哪里？我试过颜色_