如何检测图像中的盐和胡椒点？

Question

我在一个项目中工作了几个星期来检测机器产生的坏点，但是找不到任何好的解决方案。不知道你们能不能给我点线索。

损坏的图像如下所示。缺点是很亮或很暗的点。这些要点具有以下特点：

1. 相对较大或较小的强度。
2. 它们主要是一个或两个像素在一起。

​

​

我试过的是：

1. 我认为他们是哈里斯康纳，并发现他们使用更大的梯度。然而，边缘的某些点也有很大的梯度。此外，梯度阈值不易固定。较小的阈值引入假阳性，较大的阈值引入假阴性。
2. 由于坏点与其局部区域相比强度较大或较小，本文计算了除中心点外的平均强度，并将其与中心点进行了比较。然而，这种方法可能会对一些强度较大或较小的正常点进行错误分类。同时，平均点与中心点的差值阈值也很难确定。
3. 我还尝试为点提取一些特征，并将它们归类为坏点或好点。虽然我的分类器的准确率达到96%，但由于图像中的点数很多，这可能会导致许多点的错误分类。
4. 我想知道是否有什么深度学习点的检测模式？我想试一试，看看它们能否达到99.99%的准确度。 此外，下面的例子是损坏的图像和正常图像。虽然它们对人的眼睛很明显，但我想不出用计算机来区分它们的完美方法。 具有亮像素的普通图像：

​

​

损坏的图像有两个缺点：

​

​

如果你能给我一些关于这个问题的线索，我将不胜感激。非常感谢!

Answer 1

您可以尝试使用具有小半径(3x3或5x5)的中值滤波器。然后，当与原始图像相差较大时，检测盐和噪声胡椒粉。

Answer 2

利用Numpy检测范围内具有最小/最大阈值的像素强度是可行的。这样做的目的是为亮点创建一个所有像素大于某个阈值的掩码，对于暗点则创建一个低于另一个阈值的掩码。检测到的点呈绿色。

​

​

import cv2
import numpy as np

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
mask = ((gray >= 200) | (gray <= 100))
image[mask] = [36,255,12]

cv2.imshow('image', image)
cv2.waitKey()