这是图像处理专家的问题。
我正在研究一个困难的计算机视觉问题。任务是计算 DIC 显微镜图像中的气孔（标记如下）。这些图像可以抵抗大多数表面图像处理技术，如形态学操作和边缘检测。它也不同于其他细胞计数任务。
我正在使用 OpenCV。我的计划是审查可能对气孔识别有用的特征。
并可能设计一个新颖的特征描述符。我暂时不选择分类器。
我错过了什么？你会如何解决这个问题？类似对象检测问题的解决方案将非常有帮助。
示例图像在这里。
带通滤波器后：
Canny 边缘检测并不乐观。某些图像区域失焦：
抱歉，我不知道 OpenCV，这更像是一个预处理步骤，而不是一个完整的答案：
首先，您不需要边缘检测器。边缘检测器转换转换（如暗到亮）：
像这样进入山脊（黑暗中的亮线）：
换句话说，它执行微分。
但是在您的图像中，有一束光从一个方向向下照射，这向我们展示了 3D 表面的浮雕。我们将其视为线条和边缘，因为我们习惯于在 3D 中查看事物，但实际上并非如此，这就是边缘检测器无法正常工作的原因，并且模板匹配无法轻松处理旋转图像（完美0 度旋转时的匹配实际上会在 180 度时完全抵消，因为明暗会相互对齐）。
如果这些迷宫线之一的高度从侧面看起来像这样：
那么从一侧照明时的亮度函数将如下所示：
这就是您在图像中看到的。面对的表面变得更亮，而尾随的表面变得更暗。所以你不想区分。您需要沿照明方向整合图像，它将为您提供表面的原始高度图（大约）。然后匹配事物会更容易，无论是通过霍夫变换还是模板匹配或其他方式。
我不确定如何自动找到照明方向。如果所有图像都相同，那就太好了。否则，您必须找到最大的对比度线并假设光线垂直于它或其他东西。在我的示例中，我手动将图像旋转到我认为正确的方向，光线来自左侧：
但是，您还需要删除图像中的所有低频变化，以仅突出显示快速变化的线状特征。为了避免振铃伪影，我使用了 2D 高斯模糊，然后从原始图像中减去：
积分（累积和）很容易失控，从而产生水平条纹。我用另一个高斯高通去除了这些，但这次只在水平方向：
现在气孔周围都是白色的椭圆，而不是在某些地方是白色的，在其他地方是黑色的。
原版的：
融合的：
from pylab import *
import Image
from scipy.ndimage import gaussian_filter, gaussian_filter1d
filename = 'rotated_sample.jpg'
I = Image.open(filename).convert('L')
I = asarray(I)
# Remove DC offset
I = I - average(I)
close('all')
figure()
imshow(I)
gray()
show()
title('Original')
# Remove slowly-varying features
sigma_2d = 2
I = I - gaussian_filter(I, sigma_2d)
figure()
imshow(I)
title('2D filtered with %s' % sigma_2d)
# Integrate
summed = cumsum(I, 1)
# Remove slowly-changing streaks in horizontal direction
sigma_1d = 5
output = summed - gaussian_filter1d(summed, sigma_1d, axis=1)
figure()
imshow(output)
title('1D filtered with %s' % sigma_1d)
霍夫变换可以用来检测像这样由“边缘像素”组成的脊椭圆，尽管它在计算和内存方面确实很昂贵，而且它们不是完美的椭圆，所以它必须是一个有点“草率”的检测器。我从来没有做过，但是有很多关于“霍夫椭圆检测”的谷歌结果。我会说，如果您在一定大小的搜索空间内检测到另一个椭圆内的一个椭圆，则应将其视为造口。
另见：
我要尝试的第一件事是模板匹配，模板以一些步骤旋转所有角度。旋转模板在这里必不可少。模板的选择也可能很重要 - 可以是几个具有不同照明的模板，并且可以模糊以允许形状不同。
http://en.wikipedia.org/wiki/Template_matching#Template-based_matching_and_convolution
下一个 - HOG 在这里看起来很有希望。另一种解决方案可能是使用像 Moravec 或 Shi-Tomasi 这样的强角检测器（具有非最大抑制），并在同一条线上寻找 2 个角或 3-4 个角的组作为候选。找到候选人后，您可以应用活动轮廓进行验证（不确定它是否真的有帮助，但这是可能的）
http://en.wikipedia.org/wiki/Corner_detector
http://en.wikipedia.org/wiki/Active_contour
另一种可能性是对椭圆使用霍夫变换，可能不是 2 个而是 3-4 个自由参数。
部分回答。使用 Mathematica 寻找候选人：
p = ColorConvert[Import@"http://i.stack.imgur.com/38Ysw.jpg",
"GrayScale"] // ImageAdjust;
m = DeleteSmallComponents[Erosion[Dilation[DeleteSmallComponents[
Binarize[EntropyFilter[p, 1] // ImageAdjust, .97], 10], 3], 5], 100];
ImageMultiply[Dilation[m, 3], p]
我将首先使用一个敏感的边缘检测器（例如，具有低阈值的梯度幅度），然后使用霍夫变换来尝试找到椭圆。Canny 可能仍然有效。我确信您可以调整一些参数以使其更敏感并拾取模糊的边缘。