我正在开发可以在玉米植株中运行并由罗盘传感器引导的机器人，但我想将相机用作机器人的眼睛，并使用图像处理来检测运动的误差角度。
这是图像示例。
processed image
raw image
segmented image
我使用以下步骤
步骤 1：我当前使用的技术是将颜色值转换为修改自的 HSV这段代码 http://boofcv.org/index.php?title=Example_Color_Segmentation
步骤2：所以它将检测选定的颜色，即棕色或泥土颜色，然后我收集两个数组中每个图像行的最左边和最右边的棕色或选定颜色（红点）。
问题是如何过滤掉玉米叶之间或不在玉米路径中的其他区域之间的棕色像素？我应该在这个问题上研究或应用哪种算法或方法？
EDIT1：使用 Spektre 的答案，它看起来更好
这是我用JAVA+Boofcv应用后的结果
Step 1 : Thresholding or Color Segmentation
Step 2 : Blured(use Gaussian and Median filter)
Step 3 : Plot Linear Regression
更多信息
完整代码在这里 https://github.com/pacozaa/Final-Project-Boofcv/blob/master/CornPlantTunnelGuideColorSegmentationV2/src/cornplant/CornPlantTunnelGuide.java
线性回归类 https://github.com/pacozaa/Final-Project-Boofcv/blob/master/CornPlantTunnelGuideColorSegmentationV2/src/cornplant/LinearRegression.java
10 个具有相同过程的示例图像 https://i.stack.imgur.com/LMCBL.jpg
对于您的源图像
I would:
创建棕色东西的面具
只是门槛H,S并忽略V，你已经有了这个。我使用整数255而不是颜色（Blue）用于后面的计算。
模糊面具
这将删除小簇错误选择的零件。之后，您应该再次对掩码进行阈值处理，因为掩码值会稍微小一点255除非你完全选择了区域。面积越大，值越大（越接近255）。我的阈值是>=150
通过水平线扫描掩模
对于每条线找到所有选定像素的重心
再次模糊和阈值处理后，使用过的蒙版位于Aqua。所以计算平均点x每行中所有屏蔽像素的坐标。该点标记为White.
通过所有重心的回归线
我用我的近似搜索 https://stackoverflow.com/a/36368290/2521214为此，您可以使用任何您想要的回归。回归线标记为Red
我用的是直线方程x=x0+y*dx where y=<0,pic1.ys>。并按间隔搜索解：
x0=<-pic1.xs,+2*pic1.xs>
dx=<-10,+10>
Where pic1.xs,pic1.ys是图像分辨率。正如您所看到的，我没有涵盖所有角度，但我认为这无论如何都不适用于这些边缘情况（接近水平方向）。对于这种情况，您应该在垂直线上执行此操作并使用x=y0+x*dy反而。
Here C++我这样做的来源：
picture pic0,pic1;
// pic0 - source img
// pic1 - output img
int x,y,h,s,v,px,pn,*p;
color c;
// copy source image to output
pic1=pic0;
pic1.save("cornbot0.png");
// create brown stuff mask
for (y=0;y<pic1.ys;y++) // scan all H lines
for (x=0;x<pic1.xs;x++) // scan actual H line
{
c=pic1.p[y][x]; // get pixel color
rgb2hsv(c); // in HSV
h=WORD(c.db[picture::_h]);
s=WORD(c.db[picture::_s]);
v=WORD(c.db[picture::_v]);
// Treshold brownish stuff
if ((abs(h- 20)<10)&&(abs(s-200)<50)) c.dd=255; else c.dd=0;
pic1.p[y][x]=c;
}
pic1.save("cornbot1.png");
pic1.smooth(10); // blur a bit to remove small clusters as marked
pic1.save("cornbot2.png");
// compute centers of gravity
p=new int[pic1.ys]; // make space for points
for (y=0;y<pic1.ys;y++) // scan all H lines
{
px=0; pn=0; // init center of gravity (avg point) variables
for (x=0;x<pic1.xs;x++) // scan actual H line
if (pic1.p[y][x].dd>=150) // use marked points only
{
px+=x; pn++; // add it to avg point
pic1.p[y][x].dd=0x00004080; // mark used points (after smooth) with Aqua
}
if (pn) // finish avg point computation
{
px/=pn;
pic1.p[y][px].dd=0x00FFFFFF;// mark it by White
p[y]=px; // store result for line regression
} else p[y]=-1; // uncomputed value
}
// regress line
approx x0,dx;
double ee;
for (x0.init(-pic1.xs,pic1.xs<<1,100,3,&ee); !x0.done; x0.step()) // search x0
for (dx.init(-10.0 ,+10.0 ,1.0,3,&ee); !dx.done; dx.step()) // search dx
for (ee=0.0,y=0;y<pic1.ys;y++) // compute actua solution distance to dataset
if (p[y]!=-1) // ignore uncomputed values (no brown stuff)
ee+=fabs(double(p[y])-x0.a-(double(y)*dx.a));
// render regressed line with Red
for (y=0;y<pic1.ys;y++)
{
x=double(x0.aa+(double(y)*dx.aa));
if ((x>=0)&&(x<pic1.xs))
pic1.p[y][x].dd=0x00FF0000;
}
pic1.save("cornbot2.png");
delete[] p;
我用我自己的picture图像类，因此一些成员是：
xs,ys图像大小（以像素为单位）p[y][x].dd像素位于(x,y)位置为 32 位整数类型p[y][x].dw[2]像素位于(x,y)位置为 2x16 位整数类型2D fieldsp[y][x].db[4]像素位于(x,y)位置为 4x8 位整数类型，方便通道访问clear(color)- 清除整个图像resize(xs,ys)- 将图像大小调整为新分辨率bmp - VCL封装的GDI具有 Canvas 访问权限的位图smooth(n)- 快速模糊图像n times您可以通过基于区域和位置的分割（删除小簇）来进一步改进这一点。您也可以忽略邻居之间平均点过大的峰值。您还可以检测天空并忽略天空存在的整个区域。
[编辑1] 平滑
这就是我的平滑的样子：
void picture::smooth(int n)
{
color *q0,*q1;
int x,y,i,c0[4],c1[4],c2[4];
bool _signed;
if ((xs<2)||(ys<2)) return;
for (;n>0;n--)
{
#define loop_beg for (y=0;y<ys-1;y++){ q0=p[y]; q1=p[y+1]; for (x=0;x<xs-1;x++) { dec_color(c0,q0[x],pf); dec_color(c1,q0[x+1],pf); dec_color(c2,q1[x],pf);
#define loop_end enc_color(c0,q0[x ],pf); }}
if (pf==_pf_rgba) loop_beg for (i=0;i<4;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])>>2; clamp_u8(c0[i]); } loop_end
if (pf==_pf_s ) loop_beg { c0[0]=(c0[0]+c0[0]+c1[0]+c2[0])/ 4; clamp_s32(c0[0]); } loop_end
if (pf==_pf_u ) loop_beg { c0[0]=(c0[0]+c0[0]+c1[0]+c2[0])>>2; clamp_u32(c0[0]); } loop_end
if (pf==_pf_ss ) loop_beg for (i=0;i<2;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])/ 4; clamp_s16(c0[i]); } loop_end
if (pf==_pf_uu ) loop_beg for (i=0;i<2;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])>>2; clamp_u16(c0[i]); } loop_end
#undef loop_beg
#define loop_beg for (y=ys-1;y>0;y--){ q0=p[y]; q1=p[y-1]; for (x=xs-1;x>0;x--) { dec_color(c0,q0[x],pf); dec_color(c1,q0[x-1],pf); dec_color(c2,q1[x],pf);
if (pf==_pf_rgba) loop_beg for (i=0;i<4;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])>>2; clamp_u8(c0[i]); } loop_end
if (pf==_pf_s ) loop_beg { c0[0]=(c0[0]+c0[0]+c1[0]+c2[0])/ 4; clamp_s32(c0[0]); } loop_end
if (pf==_pf_u ) loop_beg { c0[0]=(c0[0]+c0[0]+c1[0]+c2[0])>>2; clamp_u32(c0[0]); } loop_end
if (pf==_pf_ss ) loop_beg for (i=0;i<2;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])/ 4; clamp_s16(c0[i]); } loop_end
if (pf==_pf_uu ) loop_beg for (i=0;i<2;i++) { c0[i]=(c0[i]+c0[i]+c1[i]+c2[i])>>2; clamp_u16(c0[i]); } loop_end
#undef loop_beg
#undef loop_end
}
}
它只是对 3 个像素进行加权平均
(x,y)=(2*(x,y)+(x-1,y)+(x,y-1))/4
然后做同样的事情
(x,y)=(2*(x,y)+(x+1,y)+(x,y+1))/4
以避免图像移动。然后这整个事情就循环了n次，仅此而已。在这种情况下，您可以忽略钳制和像素格式选项pf==_pf_rgba但无论如何它只使用单个通道......dec_color,enc_color只需将颜色通道解包、打包到变量数组中或从变量数组中打包，以避免 8 位通道上的截断和溢出问题，并更好地格式化/简化代码（针对不同的像素格式支持）
顺便说一句，平滑基与卷积相同
0.00 0.25 0.00
0.25 0.50 0.00
0.00 0.00 0.00
and
0.00 0.00 0.00
0.00 0.50 0.25
0.00 0.25 0.00