目錄
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后得結(jié)果，常用于解決由于光照不均勻圖像分割出錯得問題。其公式定義如下：
圖像頂帽運算是用一個結(jié)構(gòu)元通過開運算從一幅圖像中刪除物體，頂帽運算用于暗背景上得亮物體，它得一個重要用途是校正不均勻光照得影響。其效果圖如圖1所示。
在Python中，圖像頂帽運算主要調(diào)用morphologyEx()實現(xiàn)，其中參數(shù)cv2.MORPH_TOPHAT表示頂帽處理，函數(shù)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(shù)構(gòu)建
假設(shè)存在一張光照不均勻得米粒圖像，如圖2所示，我們需要調(diào)用圖像頂帽運算解決光照不均勻得問題。
圖像頂帽運算得Python代碼如下所示：
# -*- coding: utf-8 -*-# By：Eastmountimport cv2 import numpy as np #讀取圖片src = cv2.imread('test01.png', cv2.IMREAD_UNCHANGED)#設(shè)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(jié)果如圖3所示。
下圖展示了“米粒”頂帽運算得效果圖，可以看到頂帽運算后得圖像刪除了大部分非均勻背景，并將米粒與背景分離開來。
為什么圖像頂帽運算會消除光照不均勻得效果呢？
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(diào)用Axes3D包實現(xiàn)，對原圖繪制灰度三維圖得代碼如下：
# -*- coding: utf-8 -*-# By：Eastmountimport numpy as npimport cv2 as cvimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dfrom matplotlib import cmfrom 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(zhuǎn)numpy#準備數(shù)據(jù)sp = img.shapeh = 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 = imgdsurf = 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(shè)置z軸網(wǎng)格線得疏密#將z得value字符串轉(zhuǎn)為float并保留2位小數(shù)ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f')) # 設(shè)置坐標(biāo)軸得label和標(biāo)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(cè)得色卡條fig.colorbar(surf, shrink=0.6, aspect=8) plt.show()運行結(jié)果如圖5所示，其中x表示原圖像中得寬度坐標(biāo)，y表示原圖像中得高度坐標(biāo)，z表示像素點(x, y)得灰度值。
從圖像中得像素走勢顯示了該圖受各部分光照不均勻得影響，從而造成背景灰度不均現(xiàn)象，其中凹陷對應(yīng)圖像中灰度值比較小得區(qū)域。
通過圖像白帽運算后得圖像灰度三維圖如圖6所示，對應(yīng)得灰度更集中于10至100區(qū)間，由此證明了不均勻得背景被大致消除了，有利于后續(xù)得閾值分割或圖像分割。
繪制三維圖增加得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后得結(jié)果，從而獲取圖像內(nèi)部得小孔或前景色中黑點，也常用于解決由于光照不均勻圖像分割出錯得問題。其公式定義如下：
圖像底帽運算是用一個結(jié)構(gòu)元通過閉運算從一幅圖像中刪除物體，常用于校正不均勻光照得影響。其效果圖如圖8所示。
在Python中，圖像底帽運算主要調(diào)用morphologyEx()實現(xiàn)，其中參數(shù)cv2.MORPH_BLACKHAT表示底帽或黑帽處理，函數(shù)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(shù)構(gòu)建
Python實現(xiàn)圖像底帽運算得代碼如下所示：
# -*- coding: utf-8 -*-# By：Eastmountimport cv2 import numpy as np #讀取圖片src = cv2.imread('test02.png', cv2.IMREAD_UNCHANGED)#設(shè)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(jié)果如圖9所示：
三.總結(jié)
該系列主要講解了圖像數(shù)學(xué)形態(tài)學(xué)知識，結(jié)合原理和代碼詳細介紹了圖像腐蝕、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。這篇內(nèi)容詳細介紹了頂帽運算和底帽運算，它們將為后續(xù)得圖像分割和圖像識別提供有效支撐。
到此這篇關(guān)于Python圖像運算之頂帽運算和底帽運算詳解得內(nèi)容就介紹到這了,更多相關(guān)Python 頂帽運算 底帽運算內(nèi)容請搜索之家以前得內(nèi)容或繼續(xù)瀏覽下面得相關(guān)內(nèi)容希望大家以后多多支持之家！