我有一張電路板的x光**，我試著分割一些元件，找出它們內部的空隙(空洞是影象上的亮點)。我成功地分離了元件，但是我很難得到乙個空白的輪廓。
到目前為止，我發現它使用拉普拉斯邊緣檢測器結合高斯和中值濾波器，但仍然有太多的雜訊檢測。我怎麼才能擺脫它呢？
在第一張上，你可以看到我用otsu閾值得到的輪廓，這是目前為止最好的結果，但我不認為這是乙個好的方法，因為使用者無論如何都不會影響行為，因為閾值是自動計算的。在這張上，輪廓線並不是圍繞著整個空洞(白點)
從2到8的影象是我如何修改影象的步驟。我使用的是高斯模糊和中值模糊，這種增強可以引起很多噪音，但即使沒有它，結果基本上是一樣的。最後一步是拉普拉斯邊緣檢測和形態學閉合。在
有更好的方法嗎？在
以下是我的輸入引數：package.voids.contours, package.voids.hierarchy = self.find_voids_inside_component(
cropped,
clahe_clip_limit=1,
clahe_tile_grid_size=(3, 3),
laplacian_ksize=11,
closing_ksize=2,
closing_iterations=2,
debug_mode=true,
fxy=1)
這是函式本身：
^$我使用的是python3和opencv
harris角點檢測 角點檢測實戰
介紹 角點是很容易在影象中定位的區域性特徵，並且大量存在於人造物體中 例如牆壁 門 桌子等 角點的價值在於它是兩條邊緣線的接合點，是一種二維特徵，可以被精確地檢測 即使是亞畫素級精度 實現原理 例子 include includeusing namespace std using namespace...
python離群點檢測例子 異常點 離群點檢測演算法
異常點 離群點檢測演算法 瀏覽次數 456 sklearn中關於異常檢測的方法主要有兩種 1 novelty detection 當訓練資料中沒有離群點，我們的目標是用訓練好的模型去檢測另外新發現的樣本 2 outlier detection 當訓練資料中包含離群點，模型訓練時要匹配訓練資料的中心樣...
異常點檢測
import numpy as np from sklearn.ensemble import isolationforest import matplotlib.pyplot as plt np.random.seed 29 x np.random.normal size 100,2 x 0.05...