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!

推薦閱讀: