Выделение дефектных областей на изображении (opencv python)

@Dancing_god · Регистрация: 18.09.2015

Студворк — интернет-сервис помощи студентам

Здравствуйте. Стоит задача выделения дефектов на рентгеновских снимках семян. На данном этапе смог найти сами семена, и весь фон вокруг них сделать черным. Но с поиском дефектов возникают проблемы. Некоторые семена сами по себе темные и в среднем их пиксели могут быть такими же по интенсивности, как пиксели дефектов на этих же семенах, разве что перемежаются с более светлыми пикселями. То есть уже не применить пороговое преобразование для выявления дефектов.
Детектор границ Кэнни также не дает нормального результата, поскольку выделяет много мелких деталей, не относящихся к дефектам.
Подскажите, какие еще методы можно попробовать? Может быть стоит сделать какую-то предобработку изображения?

В прикрепленных файлах - исходное изображение и выделенные на нем семена.

@Катафалк · 13.10.2020, 15:35

Можно теперь выделить контуры и попытаться классифицировать их. Предварительно ориентацию и размер контура нормализовать.
Это первое что в голову пришло, глядя на вашу картинку.

@Dancing_god · 13.10.2020, 15:40 **[ТС]**

Сообщение от Катафалк

самый простой вариант - с помощью knn

Сразу скажу, что особо нет времени вникать в нейронки и machine learning. Желательно все сделать в рамках opencv, без выборок, обучения, просто основываясь на каждом конкретном снимке.
Это не к knn, а просто в принципе ограничения по заданию.
Касательно knn - что это такое? И как классификация поможет именно выделить дефекты?

@Dancing_god · 13.10.2020, 15:50 **[ТС]**

Из того, что пробовал:
1. Детектор границ Кэнни - как уже писал выше, ищет много лишнего и выделяет достаточно малые области.
2. Многократное применения фильтра Гаусса к исходному изображению с целью сделать его "бездефектным". Дальше - вычитание из получившегося исходного изображения и применение алгоритма Watershed. Однако после вычитания остаются не только области дефектов (см. первое изображение). Здесь не очень понятно, как грамотно убрать лишнее, но не "отъесть" слишком много от областей, однозначно относящихся к фону для алгоритма Watershed. И также при этом не потерять некоторые дефекты, что может произойти при использовании Erosion с большим ядром.
3. Пытался привязать порог бинаризации для каждого семени отдельно к его статистикам (СКО, дисперсия), но особого успеха не добился, опять же потому, что есть темные семена, для которых фон в среднем слабо отличается от дефектов.

@Катафалк · 13.10.2020, 16:55

Сообщение от Dancing_god

Касательно knn - что это такое?

В гугле забанили чтоли? Это простейший алгоритм классификации, к нейронкам не имеет ни малейшего отношения. По-моему, даже в openCV реализация есть.

Сообщение от Dancing_god

И как классификация поможет именно выделить дефекты?

Легко и непринужденно. На тех картинках, что вы показали, контуры у дефектных семян сильно отличаются от хороших, по ним их и можно отловить.

@Dancing_god · 13.10.2020, 17:53 **[ТС]**

Сообщение от Катафалк

контуры у дефектных семян сильно отличаются от хороших, по ним их и можно отловить

Выделить надо сами дефекты, а не дефектные семена. Тем более дефекты не всегда находятся с краю семян и влияют на форму их контуров.
А за совет про knn - спасибо, посмотрю. Правда, как понимаю, этот алгоритм все равно требует обучающую выборку. Мне же нужен универсальный алгоритм, не привязанный к набору данных.

@Катафалк · 13.10.2020, 18:08

Сообщение от Dancing_god

Тем более дефекты не всегда находятся с краю семян и влияют на форму их контуров.

Ну так из вашего поста не понятно, что считается дефектом. Я вот увидел кривые края, потому и написал про них

Сообщение от Dancing_god

Правда, как понимаю, этот алгоритм все равно требует обучающую выборку. Мне же нужен универсальный алгоритм, не привязанный к набору данных.

Если вы знаете список всех возможных дефектов семян и хотя бы как они выглядят и чем отличаются от здорового семени, то с этого и надо было начинать. А если не знаете, то откуда вы его возьмете, не привязываясь к набору данных?
Определитесь сначала что такое дефект. Пока что выглядит, что вы хотите найти то не знаю что.

@Dancing_god · 13.10.2020, 18:31 **[ТС]**

Сообщение от Катафалк

Пока что выглядит, что вы хотите найти то не знаю что.

Окей, в качестве дефектов здесь ищутся области почернения на семенах, имеющие выраженную границу с остальной частью семени.
Что можете в случае поиска таких дефектов посоветовать?

@passant · 14.10.2020, 19:18

Если рассматривать дефект как некий выброс (outlier) из обычных изображений, то вот попробуйте ознакомиться:
https://towardsdatascience.com... ea686bf7ba

@Dancing_god · 14.10.2020, 20:40 **[ТС]**

Сообщение от passant

то вот попробуйте ознакомиться:

Спасибо.

Новые блоги и статьи Все статьи Все блоги /
Программный контроль заполнения реквизита табличной части документа Maks 02.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "СписаниеМатериалов", разработанного в конфигурации КА2. Задача: реализовать контроль заполнения реквизита табличной части. . .	wmic не является внутренней или внешней командой Maks 02.04.2026 Решение: DISM / Online / Add-Capability / CapabilityName:WMIC~~~~ Отсюда: https:/ / winitpro. ru/ index. php/ 2025/ 02/ 14/ komanda-wmic-ne-naydena/	Программная установка даты и запрет ее изменения Maks 02.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "СписаниеМатериалов", разработанного в конфигурации КА2. Задача: при создании документов установить период списания автоматически. . .	Вывод данных в справочнике через динамический список Maks 01.04.2026 Реализация из решения ниже выполнена на примере нетипового справочника "Спецтехника" разработанного в конфигурации КА2. Задача: вывести данные из ТЧ нетипового документа. . .
Функция заполнения текстового поля в реквизите формы документа Maks 01.04.2026 Алгоритм из решения ниже реализован на нетиповом документе "ВыдачаОборудованияНаСпецтехнику" разработанного в конфигурации КА2, в дополнении к предыдущему решению. На форме документа создается. . .	К слову об оптимизации kumehtar 01.04.2026 Вспоминаю начало 2000-х, университет, когда я писал на Delphi. Тогда среди программистов на форумах активно обсуждали аккуратную работу с памятью: нужно было следить за переменными, вовремя. . .	Идея фильтра интернета (сервер = слой+фильтр). Hrethgir 31.03.2026 Суть идеи заключается в том, чтобы запустить свой сервер, о чём я если честно мечтал давно и давно приобрёл книгу как это сделать. Но не было причин его запускать. Очумелые учёные напечатали на. . .	Модель здравосоХранения 6. ESG-повестка и устойчивое развитие; углублённый анализ кадрового бренда anaschu 31.03.2026 В прикрепленном документе раздумья о том, как можно поменять модель в будущем

@Dancing_god 15 / 2 / 1 Регистрация: 18.09.2015 Сообщений: 227

	Выделение дефектных областей на изображении (opencv python) 13.10.2020, 15:26. Показов 3082. Ответов 9 Метки нет (Все метки) Здравствуйте. Стоит задача выделения дефектов на рентгеновских снимках семян. На данном этапе смог найти сами семена, и весь фон вокруг них сделать черным. Но с поиском дефектов возникают проблемы. Некоторые семена сами по себе темные и в среднем их пиксели могут быть такими же по интенсивности, как пиксели дефектов на этих же семенах, разве что перемежаются с более светлыми пикселями. То есть уже не применить пороговое преобразование для выявления дефектов. Детектор границ Кэнни также не дает нормального результата, поскольку выделяет много мелких деталей, не относящихся к дефектам. Подскажите, какие еще методы можно попробовать? Может быть стоит сделать какую-то предобработку изображения? В прикрепленных файлах - исходное изображение и выделенные на нем семена. Миниатюры 0

@Катафалк 282 / 485 / 12 Регистрация: 21.06.2019 Сообщений: 3,020
	13.10.2020, 15:35
	Можно теперь выделить контуры и попытаться классифицировать их. Предварительно ориентацию и размер контура нормализовать. Это первое что в голову пришло, глядя на вашу картинку. 0

@Dancing_god 15 / 2 / 1 Регистрация: 18.09.2015 Сообщений: 227
	13.10.2020, 15:50 [ТС]
	Из того, что пробовал: 1. Детектор границ Кэнни - как уже писал выше, ищет много лишнего и выделяет достаточно малые области. 2. Многократное применения фильтра Гаусса к исходному изображению с целью сделать его "бездефектным". Дальше - вычитание из получившегося исходного изображения и применение алгоритма Watershed. Однако после вычитания остаются не только области дефектов (см. первое изображение). Здесь не очень понятно, как грамотно убрать лишнее, но не "отъесть" слишком много от областей, однозначно относящихся к фону для алгоритма Watershed. И также при этом не потерять некоторые дефекты, что может произойти при использовании Erosion с большим ядром. 3. Пытался привязать порог бинаризации для каждого семени отдельно к его статистикам (СКО, дисперсия), но особого успеха не добился, опять же потому, что есть темные семена, для которых фон в среднем слабо отличается от дефектов. Миниатюры 0

@passant 578 / 411 / 69 Регистрация: 09.01.2018 Сообщений: 1,363
	14.10.2020, 19:18
	Если рассматривать дефект как некий выброс (outlier) из обычных изображений, то вот попробуйте ознакомиться: https://towardsdatascience.com... ea686bf7ba 1