OpenCV HSV 怪异转换
OpenCV HSV weird converted
我正在研究从皮肤检测血肿的项目。从 RGB 转换为 HSV 后，我遇到了颜色问题。我的算法通过颜色检测血肿。
有些图片我得到了不错的结果，如下所示：
原图：http://imgur.com/WHiOWdj
结果图像：http://imgur.com/PujbnHa
但是对于某些图像，我的结果很糟糕：
原图：http://imgur.com/OshB99r
结果 img：http://imgur.com/CuNzAId
转换为 HSV 后的相同原始图像：http://imgur.com/lkVwtCs
你有什么解决办法吗？
谢谢
看你的结果图像，我认为你在你的算法中只使用了原始图像的 H 通道。假阳性检测可以继承健康皮肤的某些部分与血肿具有完全相同的H值。在H通道的qrey-scale图像上可以看到两个部分的值相似：
两部分的区别在于饱和度值。在下图中，您可以看到原始图像的 S 通道，它完美地显示了血肿处的饱和度比手臂其他部位高得多：
这是预料之中的，因为血肿的颜色比健康皮肤的颜色要深得多。
因此，我建议您在算法中同时使用 H 和 S 通道，即 您必须只考虑 H 图像中 S 图像包含高饱和度值的部分.一个可能且简单的解决方案是将 H 和 S 图像二值化，并使用 AND 运算执行此过滤：
二值化后的H图：
二值化后的S图：
H&S手术后的图片：
可以看到在结果图上只有血肿部分是白色的（除了一些噪声但是可以很容易的去除，比如通过大小或者形态学过滤）。
编辑
需要注意的是，二值化是对象检测算法中最重要（有时也非常复杂）的步骤之一，即二值化是要检测的对象的第一个亮点。
如果外部条件（照明、物体颜色等）在图像之间没有显着变化，您可以使用固定二元化阈值。如果不能保证这个恒定的环境，你必须使用更复杂的方法。您可以使用很多可能性，在这里您可以阅读一些示例：
几个解决方案基于直方图分析：在带有对象的直方图上，总是有更多的局部最大值，其位置会根据环境而变化，如果找到它们，您可以轻松调整二值化阈值。
例如原图H通道的直方图如下：
第一个最大值属于背景，第二个最大值属于皮肤，最后一个属于血细胞。可以假设这 3 个阈值可以在每个图像中找到，只是它们的位置根据光照或其他条件而变化。要在第 2 个和第 3 个局部最大值之间设置一个阈值，突出显示血红蛋白可能是一个不错的选择。
最后，我建议您阅读以下有关 OpenCV 中的阈值处理的文章：
OpenCV - Thresholding
我正在研究从皮肤检测血肿的项目。从 RGB 转换为 HSV 后，我遇到了颜色问题。我的算法通过颜色检测血肿。
有些图片我得到了不错的结果，如下所示：
原图：http://imgur.com/WHiOWdj 结果图像：http://imgur.com/PujbnHa
但是对于某些图像，我的结果很糟糕：
原图：http://imgur.com/OshB99r 结果 img：http://imgur.com/CuNzAId
转换为 HSV 后的相同原始图像：http://imgur.com/lkVwtCs
你有什么解决办法吗？
谢谢
看你的结果图像，我认为你在你的算法中只使用了原始图像的 H 通道。假阳性检测可以继承健康皮肤的某些部分与血肿具有完全相同的H值。在H通道的qrey-scale图像上可以看到两个部分的值相似：
因此，我建议您在算法中同时使用 H 和 S 通道，即 您必须只考虑 H 图像中 S 图像包含高饱和度值的部分.一个可能且简单的解决方案是将 H 和 S 图像二值化，并使用 AND 运算执行此过滤：
二值化后的H图：
编辑
需要注意的是，二值化是对象检测算法中最重要（有时也非常复杂）的步骤之一，即二值化是要检测的对象的第一个亮点。
如果外部条件（照明、物体颜色等）在图像之间没有显着变化，您可以使用固定二元化阈值。如果不能保证这个恒定的环境，你必须使用更复杂的方法。您可以使用很多可能性，在这里您可以阅读一些示例：
几个解决方案基于直方图分析：在带有对象的直方图上，总是有更多的局部最大值，其位置会根据环境而变化，如果找到它们，您可以轻松调整二值化阈值。
例如原图H通道的直方图如下：
最后，我建议您阅读以下有关 OpenCV 中的阈值处理的文章： OpenCV - Thresholding