识别非常低级的图片并用Python将其涂成纯黑色

Question

我正在研究一个自动的“bug count”算法，我想知道如何识别一个非常低的对比度（pad上没有额外的bug-假设相机在同一位置，光线条件非常相似）如果我互相减去两张照片，我就不会得到一个干净的黑色图像，因为光照条件将是最低限度的与众不同。现在我应用高斯滤波器mahotas.thresholding.otsu公司（）画出有错误的地方（在上面放一个白色的斑点），然后我用nImage.label（）数数他们。在

但是，如果我的输入图像“克罗布格斯.jpg“是非常深灰色的，在应用otsu（）之后，我得到一些随机输出，我的label（）函数返回一个随机的bug计数。我如何识别我的图像是非常深灰色或低对比度，只是设置错误计数为0？ 谢谢

到目前为止，我的代码如下：

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()

Answer 1

我能找到解决这个问题的多种方法

1. （这是评论中的建议）。 根据平均值、标准差、最大值或某种组合定义某种类型的固定规则。您将得到一个类似于以下其中一个的测试：

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

2. 使用基于纹理特征的分类系统（参见前面的my answer to a related question）。

3. 继续使用label，好像一切都很好，然后对结果进行后期过滤。例如：

   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)