边缘检测-鼻孔

首先是进行RGB-HSV的转化。

 

version0

 

在最早的版本中，我用RGB中，GB两通道的加权去做。

因为在鼻孔附近，R通道的均值较大，且方差较小，总体来说性质很差。

 

version1

part1-获取信息

由于同组建议CNN处理，所以做了预处理，对于每一个照片。

import dlib，获取dlib的68特征点。

part2-泛用包围盒

使用与鼻子相关的9点，框定一个鼻子的范围，由于鼻孔处在鼻子下部，所以，我们需要多截取一些下面的部分。

经验参数是，左鼻孔相关五点，确定“四至”，然后向下扩大50%

part3-定尺寸包围盒

由于神经网络需要统一的图片尺寸，且我们要处理的是实验室级的图像。

以刚才框定的范围为中心，截取一个480*320的区域。

part4-标注工具

(由于当时RGB实验并不顺利，准备用学习的方式解决)

极为简陋的工具，在限定时间内，依序点出一列点。

将点依序首尾连成一条闭合曲线，看看是否是合理的边缘标注，不合理则重做[人工目视判定]。

 

version2

part3

将RGB转为HSV。

H通道无用，S几乎无用。用剩下那个就好了。

左右转换，全部图变成左鼻孔

part4

设定阈值(最深13.5%的面积对应的V值，0.4）这两个值中较小的那个。

区域聚类——聚成若干个深V最大连通分支

 

在上一篇随笔中，我们看到了非常垃圾，不完整的边缘。

 

副筛条件：

区域不该太小。

主筛条件：

区域边缘与canny检测边缘重合度高。//图都丢了，只好从聊天记录里找次品来，我们需要处理到左下那个鼻子和嘴巴之间的区域：这个区域最大的不同在于边缘只有一段。

 

 

终筛条件：

居中性，排右性：统一转为左鼻孔，自然应该是中间或偏左的，偏右的必然是极差的。我们在0-0.7之间是分段线性的，即abs(x-0.5)。过了0.7后迅速衰减。

深V：V值必须很深，上图那个区域必然不深。

边缘比：检测当前边缘和canny边缘的重合度。

简单加权。

 

 附加mod：

还是有极少的情况，10个数据集中出现了2次。

左右鼻孔视图有重合，锁到了同一个鼻孔。

 

判定条件：最后区域有重合。

处理方法：截一个覆盖两个鼻孔的视图。

将共同筛出来的鼻孔置白(即不可能再满足深V条件)

再做一次！

 

下篇博客补图。