Python圖像運算之頂帽運算和底帽運算詳解
一.圖像頂帽運算
圖像頂帽運算(top-hat transformation)又稱為圖像禮帽運算,它是用原始圖像減去圖像開運算後的結果,常用於解決由於光照不均勻圖像分割出錯的問題。其公式定義如下:
圖像頂帽運算是用一個結構元通過開運算從一幅圖像中刪除物體,頂帽運算用於暗背景上的亮物體,它的一個重要用途是校正不均勻光照的影響。其效果圖如圖1所示。
在Python中,圖像頂帽運算主要調用morphologyEx()實現,其中參數cv2.MORPH_TOPHAT表示頂帽處理,函數原型如下:
dst = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel)
- src表示原始圖像
- cv2.MORPH_TOPHAT表示圖像頂帽運算
- kernel表示卷積核,可以用numpy.ones()函數構建
假設存在一張光照不均勻的米粒圖像,如圖2所示,我們需要調用圖像頂帽運算解決光照不均勻的問題。
圖像頂帽運算的Python代碼如下所示:
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np #讀取圖片 src = cv2.imread('test01.png', cv2.IMREAD_UNCHANGED) #設置卷積核 kernel = np.ones((10,10), np.uint8) #圖像頂帽運算 result = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", result) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
其運行結果如圖3所示。
下圖展示瞭“米粒”頂帽運算的效果圖,可以看到頂帽運算後的圖像刪除瞭大部分非均勻背景,並將米粒與背景分離開來。
為什麼圖像頂帽運算會消除光照不均勻的效果呢?
通常可以利用灰度三維圖來進行解釋該算法。灰度三維圖主要調用Axes3D包實現,對原圖繪制灰度三維圖的代碼如下:
# -*- coding: utf-8 -*- # By:Eastmount import numpy as np import cv2 as cv import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D from matplotlib import cm from matplotlib.ticker import LinearLocator, FormatStrFormatter #讀取圖像 img = cv.imread("test02.png") img = cv.cvtColor(img,cv.COLOR_BGR2GRAY) imgd = np.array(img) #image類轉numpy #準備數據 sp = img.shape h = int(sp[0]) #圖像高度(rows) w = int(sp[1]) #圖像寬度(colums) of image #繪圖初始處理 fig = plt.figure(figsize=(16,12)) ax = fig.gca(projection="3d") x = np.arange(0, w, 1) y = np.arange(0, h, 1) x, y = np.meshgrid(x,y) z = imgd surf = ax.plot_surface(x, y, z, cmap=cm.coolwarm) #自定義z軸 ax.set_zlim(-10, 255) ax.zaxis.set_major_locator(LinearLocator(10)) #設置z軸網格線的疏密 #將z的value字符串轉為float並保留2位小數 ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f')) # 設置坐標軸的label和標題 ax.set_xlabel('x', size=15) ax.set_ylabel('y', size=15) ax.set_zlabel('z', size=15) ax.set_title("surface plot", weight='bold', size=20) #添加右側的色卡條 fig.colorbar(surf, shrink=0.6, aspect=8) plt.show()
運行結果如圖5所示,其中x表示原圖像中的寬度坐標,y表示原圖像中的高度坐標,z表示像素點(x, y)的灰度值。
從圖像中的像素走勢顯示瞭該圖受各部分光照不均勻的影響,從而造成背景灰度不均現象,其中凹陷對應圖像中灰度值比較小的區域。
通過圖像白帽運算後的圖像灰度三維圖如圖6所示,對應的灰度更集中於10至100區間,由此證明瞭不均勻的背景被大致消除瞭,有利於後續的閾值分割或圖像分割。
繪制三維圖增加的頂帽運算核心代碼如下:
二.圖像底帽運算
圖像底帽運算(bottom-hat transformation)又稱為圖像黑帽運算,它是用圖像閉運算操作減去原始圖像後的結果,從而獲取圖像內部的小孔或前景色中黑點,也常用於解決由於光照不均勻圖像分割出錯的問題。其公式定義如下:
圖像底帽運算是用一個結構元通過閉運算從一幅圖像中刪除物體,常用於校正不均勻光照的影響。其效果圖如圖8所示。
在Python中,圖像底帽運算主要調用morphologyEx()實現,其中參數cv2.MORPH_BLACKHAT表示底帽或黑帽處理,函數原型如下:
dst = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)
- src表示原始圖像
- cv2.MORPH_BLACKHAT表示圖像底帽或黑帽運算
- kernel表示卷積核,可以用numpy.ones()函數構建
Python實現圖像底帽運算的代碼如下所示:
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np #讀取圖片 src = cv2.imread('test02.png', cv2.IMREAD_UNCHANGED) #設置卷積核 kernel = np.ones((10, 10), np.uint8) #圖像黑帽運算 result = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", result) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
其運行結果如圖9所示:
三.總結
該系列主要講解瞭圖像數學形態學知識,結合原理和代碼詳細介紹瞭圖像腐蝕、圖像膨脹、圖像開運算和閉運算、圖像頂帽運算和圖像底帽運算等操作。這篇文章詳細介紹瞭頂帽運算和底帽運算,它們將為後續的圖像分割和圖像識別提供有效支撐。
到此這篇關於Python圖像運算之頂帽運算和底帽運算詳解的文章就介紹到這瞭,更多相關Python 頂帽運算 底帽運算內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!