消除 OpenCV EM 检测到的误报
Eliminating False Positives detected by OpenCV EM
我正在 Python 中开发一种算法，该算法可以识别叶子上包含斑点的区域以报告疾病的严重程度。在我的研究过程中，我发现了 LeafSnap 并从中得到了启发。因此，我尝试按照论文使用 OpenCV Expectation Maximization 对图像上的叶子进行分割，这是使用 S 和 V 形式 HSV 颜色 space 训练的；但是，由于反射或阴影，它仍然 returns 一些误报。
有人可以给我一些提示以获得更好的结果吗？ 我没有应用任何预处理技术！
我认为 Leafsnap 不适合在阳光直射下使用。它会产生非常强烈的阴影，完全打乱了他们的 S+V 方法。
在论文中，作者解释说他们降低了色调，因为它 "dilutes" 白纸 sheet 时的对象反射了一些绿色。但是，在您的情况下，由于照片似乎是在晴朗的天空下拍摄的，因此纸张的色调要么是淡黄色（在阳光直射下），要么是淡蓝色（在阴影中），与叶子的绿色色调明显不同。事实上，在这两种情况下，色调层是最能反映叶子形状的层。因此，你不应该为了寻找叶子的形状而忽略色调。
作为一个想法，你可以单独使用饱和度+值，以及色调来确定形状。然后从这两个形状中选择较小的形状。
我正在 Python 中开发一种算法，该算法可以识别叶子上包含斑点的区域以报告疾病的严重程度。在我的研究过程中，我发现了 LeafSnap 并从中得到了启发。因此，我尝试按照论文使用 OpenCV Expectation Maximization 对图像上的叶子进行分割，这是使用 S 和 V 形式 HSV 颜色 space 训练的；但是，由于反射或阴影，它仍然 returns 一些误报。
有人可以给我一些提示以获得更好的结果吗？ 我没有应用任何预处理技术！
我认为 Leafsnap 不适合在阳光直射下使用。它会产生非常强烈的阴影，完全打乱了他们的 S+V 方法。
在论文中，作者解释说他们降低了色调，因为它 "dilutes" 白纸 sheet 时的对象反射了一些绿色。但是，在您的情况下，由于照片似乎是在晴朗的天空下拍摄的，因此纸张的色调要么是淡黄色（在阳光直射下），要么是淡蓝色（在阴影中），与叶子的绿色色调明显不同。事实上，在这两种情况下，色调层是最能反映叶子形状的层。因此，你不应该为了寻找叶子的形状而忽略色调。
作为一个想法，你可以单独使用饱和度+值，以及色调来确定形状。然后从这两个形状中选择较小的形状。