我正在做的项目是检测宝石图像中的宝石，从而得出要扣除宝石总重量的想法。在这篇论文
之后，我已经在 HSV 颜色空间中完成了图像分割。如果给出如下的原始输入，我遵循的方法是三倍的：IMAGE1
- 使用“黄金”像素阈值我检测到图像中的黄金部分（
IMAGE2下） - 然后我检测图像中的背景/前景，因为已知背景是白色的（
IMAGE3下图） - 前两步输出的交集——
not GOLD && FOREGROUND => STONE（IMAGE4下）
该图说明了这些步骤：
可以找到一些示例图像及其相应的结果：
除此之外，我还尝试使用填充算法根据一些已知的种子点来填充金/石头像素。但是由于光照不均匀和图像的精细度，泛光填充并没有产生很好的效果。此外，lo_diff和up_diff值（在OpenCV 实现中）也不是普遍固定的，需要针对每个查询点进行更改。
我也尝试过以简单的形式使用模板匹配，但查询图像中模板出现的复杂性导致该方法并非每次都适用。如果石头类型不规则，那么模板匹配会给出不稳定的结果。
与前两种方法相比，HSV 颜色空间中的分割产生了更好且更普遍适用的结果。但正如前面提到的 4 个示例图像的结果所示，这也有其自身的局限性，比如
- 在第二张图像中，由于照明不佳，所有背景都（错误地）被检测为前景。
- 在第一张图像中，由于左上角（非常）轻微的照明问题，检测到的区域被放大了。
- 在最后 2 个结果中可以看到类似的噪声问题。
有没有更好的方法来解决这个问题？有人可以建议对当前方法进行一些改进吗？
也欢迎提出全新方法的建议。除了图像处理之外，是否有可能针对该问题实施机器学习方法？有人可以在这个方向上给出任何具体的指示吗？