摘要:本篇文章結合灰度三維圖像講解圖像頂帽運算和圖像黑貓運算,通過Python調用OpenCV函數實現。
本篇文章繼續深入,結合灰度三維圖像講解圖像頂帽運算和圖像黑貓運算,通過Python調用OpenCV函數實現。
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,常用于解決由于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删除物體,校正不均勻光照的影響,其效果圖如下圖所示。
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)
假設存在一張光照不均勻的米粒圖像,如圖所示,我們需要調用圖像頂帽運算解決光照不均勻的問題。其Python代碼如下所示:
#encoding:utf-8
import cv2
import numpy as np
#讀取圖片
src = cv2.imread('test06.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()複制
其運行結果如下,它有效地将米粒與背景分離開來。
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,從而獲取圖像内部的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删除物體,常用于校正不均勻光照的影響。其效果圖如下圖所示。
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)
Python實現圖像底帽運算的代碼如下所示:
#encoding:utf-8
import cv2
import numpy as np
#讀取圖片
src = cv2.imread('test06.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()複制
其運行結果如圖所示:
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 -*-
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("test06.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
#将z的value字符串轉為float并保留2位小數
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
# 設置坐标軸的label和标題
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()複制
運行結果如下圖所示:
從圖像中的像素走勢顯示了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。而通過圖像白帽運算後的圖像灰度三維圖的代碼如下:
# -*- coding: utf-8 -*-
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("test06.png")
img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#圖像黑帽運算
kernel = np.ones((10,10), np.uint8)
result = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)
#image類轉numpy
imgd = np.array(result)
#準備數據
sp = result.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=(8,6))
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
#将z的value字符串轉為float并保留2位小數
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
# 設置坐标軸的label和标題
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()複制
效果圖如下所示,對應的灰度更集中于10至100區間,由此證明了不均勻的背景被大緻消除了,有利于後續的阈值分割或圖像分割。
點擊關注,第一時間了解華為雲新鮮技術~
,更多精彩资讯请关注tft每日頭條,我们将持续为您更新最新资讯!