噪声图像中的长边界检测

Question

我正在尝试从一张比较嘈杂的图片中提取出一条长的边界（别在意绿色的部分，反正这张图片最后会转成灰度图）。我试过用各种边缘检测和阈值算法来提取边界。目前为止，我最接近的结果是使用了scikit-image中的局部Otsu阈值算法：

尽管如此，我还是无法提取出有意义的边界——当我尝试对这张图片进行边缘检测时，结果被噪声搞得一团糟，而阈值处理又把噪声放大了。边界检测算法非常依赖于计算图像的变化，所以在二值图像中，突然的变化会严重影响它们的效果，但我觉得这是必要的，因为其他方法根本无法区分出边界。

有没有办法让局部Otsu阈值在一个特定的全局阈值下平滑掉噪声，或者让某个边界提取算法忽略那些看起来像噪声的部分？

或者，是否最好写一个基于局部Otsu阈值的替代方案，只在返回类似线条的模式时才应用阈值？

任何帮助我找到合适的边界提取方法都非常感谢。

Answer 1

通常，处理噪声干扰时，最好的办法是先减少噪声。

在你的图像上使用各种降噪操作，可以帮助改善边界检测算法的效果。常见的简单降噪方法有空间模糊和中值滤波。不过，如果你知道噪声存在于某个特定的频率范围，使用频域的陷波滤波器也常常很有效。

关键是要在减少噪声的同时，不破坏你想要找到的边界。根据图像的内容，这通常需要反复尝试。

Answer 2

你这儿的Saffman-Taylor不稳定性真不错；)

Glenn说得对，在你尝试检测边缘之前，可能需要先做一些过滤，因为边缘检测对噪声非常敏感。既然你要检测边缘，就应该试试一种能保留边缘的去噪滤镜。这里有一些例子：

http://scikit-image.org/docs/dev/auto_examples/plot_denoise.html

下面是一个对你图像进行过滤的快速尝试：

from skimage import io
from skimage import color
from skimage import filter
import matplotlib.pyplot as plt

image = color.rgb2gray(io.imread('4g1te.png'))
denoised = filter.denoise_tv_bregman(image, 1)
edges = filter.canny(denoised, 1, 0.01, 0.1)

fig, axes = plt.subplots(ncols=2)
axes[0].imshow(denoised)
axes[1].imshow(edges)
for ax in axes:
    ax.set_axis_off()
plt.show()

你需要多尝试几次才能把这个弄好。我还建议你从边缘图像中过滤掉一些小的线段；也许一些几何特性会对你有帮助：

http://scikit-image.org/docs/dev/auto_examples/plot_regionprops.html

祝你好运！