在具有可变背景噪声的非常嘈杂的图像中找到一条微弱的线

Question

我有一张噪声非常大的灰度图像，其中噪声水平沿一个轴调制。在该图像中，可能有一条宽度未知的非常微弱的线。我希望能够识别这条线何时出现在图像中。我想要的应用程序需要自动化。

以下代码可用于生成两个综合示例。

back

的情节，一个极端的例子。

back2

的情节，一个不太极端的例子。

import numpy as np

def background(N, M, nl, nf, nT, r):
    a = nf*np.sin((2*np.pi/nT)*np.arange(N))
    a=a.reshape(-1,1)
    fuzz = nl + a*np.ones((N,M))
    fuzz+= r*a*np.random.normal(size=(N,M))

    return fuzz

def add_slider(B, s, v, w, a, r):
    N, M = B.shape
    amps = a+r*np.random.normal(size=M)

    x=np.arange(N)
    for i, y in enumerate(range(s, N, v)):
        if i >= M: break
        B[:,i]+=amps[i]*np.exp(-(x-y)**2/(2*w**2))

def subtracted(im):
    return im - im.mean(1).reshape(-1, 1)

B = background(1000, 300, 0, 5, 100, 1)
add_slider(B, 0, 2, 40, 1, 1)
back = subtracted(B)

# For a less extreme example:

B2 = gs.background(1000, 300, 0, 5, 100, 1)
gs.add_slider(B2, 0, 2, 40, 5, 1)
back2 = subtracted(B2)

我尝试了很多方法，但是当我更改一些用于生成图像的参数时，它们都不能很好地工作。例如，我尝试过应用高斯模糊，有时会起作用，但获得正确的宽度可能会非常棘手，并且当线条更加垂直时，它会很困难。我也尝试过像这篇文章中那样的旋转面罩，但它似乎受到调制噪声水平的阻碍。我还对氡气变换做了一些实验，但我也找不到任何一致的东西。像 Canny 这样的大多数标准边缘检测方法似乎都不起作用，因为它们往往依赖于局部梯度，而局部梯度会被噪声完全破坏。

我已经对这个主题的论文进行了一些有限的搜索，但我还没有找到任何适合这个问题的内容。如果可能的话，我想找到一个不依赖于对线条了解太多的解决方案，比如它的厚度。

Answer 1

我手边没有 OpenCV，但可以使用 ImageMagick 获得相当合理的结果，如果该技术看起来可以满足您的需求，可以很容易地将其移植到 OpenCV。

基本上，我正在计算每个像素位置处 3px 宽 x 30px 高的盒子的平均值，并对结果进行对比度拉伸。这是你的模糊图像：

magick input.png -statistic mean 3x30 -auto-level result.png