- 1.sobel算子————》找到斑点的可能区域 sobel算子的主要目的是为了检测边缘。图像边缘一般指图像的灰度变化率最大的位置。 先看看关键性代码：
src1 = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)x_gray = cv2.Sobel(src1,cv2.CV_32F,1,0)y_gray = cv2.Sobel(src1,cv2.CV_32F,0,1)x_gray = cv2.convertScaleAbs(x_gray)y_gray = cv2.convertScaleAbs(y_gray)dst = cv2.add(x_gray,y_gray,dtype=cv2.CV_16S)dst = cv2.convertScaleAbs(dst)解析一下：
cv2.Sobel(src1,cv2.CV_32F,1,0,ksize=3): 1,src1:原灰度图 2,cv2.CV_32F：表示32位浮点数即32float 3,4,第三个和第四个参数分别是对X和Y方向的导数（dx，dy），对于图像而言就是差分，这里1，0表示对X求导。对X求导就是检测纵向上是否有边缘。 5,ksize是指核大小，可以省略，使用默认参数。cv2.convertScaleAbs(x_gray)函数是一个位深转化函数，可将任意类型的数据转化为CV_8UC1。经过cv2.Sobel()梯度增强，增强后的图像识别会出现大于255和小于0的值。- 2.连通域分析————》确定斑点的位置 上面使用sobel算子计算边缘后，五官等区域也被是视为一个连通域，如果直接作为后续的处理，那显然不正确。这里我们设置一个面积的阈值来区别开斑点和其他区域。 关键性代码：
# 注意：输入的是二值图，高斯滤波后效果更好num_labels,labels,stats,centers = cv2.connectedComponentsWithStats(binary, connectivity=8,ltype=cv2.CV_32S)# 参数说明：num_labels： 代表连通域的数量，包含背景labels ： 记录img中每个位置对应的labelstats： 每个连通域的外接矩形和面积x, y, w, h, area = stats[t]centers : 连通域的质心坐标依据连通域面积的大小做阈值分割的标准：
for t in range(1, num_labels, 1): x, y, w, h, area = stats[t] if area>100: index = np.where(labels==t) labels[index[0], index[1]] = 0通过遍历每个连通域，并根据连通域的面积（这里设置阈值100），将面积超过的连通域label设置为0，即为背景。
- 3.图像修复inpaint————》去除斑点 这里opencv提供了两种算法。 （1）第一种算法基于Alexandru Telea于2004年发表的“基于快速行进方法的图像修复技术”。它基于快速行进方法。考虑图像中要修复的区域。算法从该区域的边界开始，然后进入区域内，逐渐填充边界中的所有内容。它需要在邻近的像素周围的一个小邻域进行修复。该像素由邻居中所有已知像素的归一化加权和代替。选择权重是一个重要的问题。对于靠近该点的那些像素，靠近边界的法线和位于边界轮廓上的像素，给予