Глядя на ваш результат изображения я думаю, что вы только с помощью H канала исходного изображения в вашем алгоритме. Ложное положительное обнаружение может наследовать от того, что какая-то часть здоровой кожи имеет то же значение H, что и гематома. Вы можете увидеть на изображении с четным изображением канала H, что обе части имеют одинаковые значения:
Разница между двумя частями - это значение насыщенности. На следующем рисунке вы можете увидеть S канал исходного изображения, и это прекрасно видно, что при гематоме насыщение значительно выше, чем в другой части руки:
Это было ожидаемой, поскольку гематома имеет много более сильный цвет, чем у здоровой кожи.
Итак, я предлагаю вам использовать как H, так и S канал в вашем алгоритме , вам нужно учитывать только те части изображения H, где S-образ содержит высокие значения насыщения. Возможное и простое решение, чтобы сделать это, что вы бинаризацию как H и S изображений и с операцией И вы можете выполнить эту фильтрацию:
H изображение после бинаризации: S изображений после бинаризации: изображения после H операции & S: вы можете видеть, что на результате только изображении гематомы часть белая (за исключением некоторого шума, но вы можете устранить, например, легко по размеру или по морфологическим filterin г).
РЕДАКТИРОВАТЬ
Важно отметить, что бинаризации является одним из наиболее важных (а иногда и очень сложной) в шаге алгоритмов обнаружения объекта, а именно бинаризации является первым событием объектов для обнаружения.
Если внешние условия (освещение, цвет объектов и т. Д.) Существенно не изменяются от изображения к изображению, вы можете использовать пороговые значения бинаризации. Если эта постоянная среда не может быть выработана, вам придется использовать более сложные методы.Есть много possibilies вы можете использовать, здесь вы можете прочитать некоторые примеры:
несколько решений на основе анализа гистограммы: на гистограммах с объектами есть всегда больше локальных максимумов, позиции которых могут варьироваться в зависимости от среды, и если вы их найдете, вы можете легко адаптировать порог бинаризации.
Например гистограмма канала H исходного изображения заключается в следующем: Первый максимум принадлежит к фону, второй к коже, а последний к hematome. Можно предположить, что эти три порога можно найти на каждом изображении, только их позиции зависят от освещения или от других условий. Чтобы установить пороговое значение между 2-м и 3-м локальным максимумом, это может быть хорошим выбором для выделения гематомы.
Наконец я предлагаю Вам прочитать следующее articel о пороговом в OpenCV: OpenCV - Thresholding
Вы действительно думаете, что кто-то собирается, чтобы помочь вам, не показывая SRC? –
да, мне не нужен точный код. Мне нужны только идеи или указания, куда идти. – User