[Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算
一.图像顶帽运算
图像顶帽运算（top-hat transformation）又称为图像礼帽运算，它是用原始图像减去图像开运算后的结果，常用于解决由于光照不均匀图像分割出错的问题。其公式定义如下：
图像顶帽运算是用一个结构元通过开运算从一幅图像中删除物体，校正不均匀光照的影响，其效果图如下图所示。
在Python中，图像顶帽运算主要调用morphologyEx()实现，其中参数cv2.MORPH_TOPHAT表示顶帽处理，函数原型如下：
dst = cv2.morphologyEx(src,
cv2.MORPH_TOPHAT, kernel)
- src表示原始图像
- cv2.MORPH_TOPHAT表示图像顶帽运算
- kernel表示卷积核，可以用numpy.ones()函数构建
假设存在一张光照不均匀的米粒图像，如图所示，我们需要调用图像顶帽运算解决光照不均匀的问题。其Python代码如下所示：
#encoding:utf-8import cv2 import numpy as np
#读取图片src = cv2.imread('test06.png', cv2.IMREAD_UNCHANGED)
#设置卷积核kernel = np.ones((10,10), np.uint8)
#图像顶帽运算result = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel)
#显示图像cv2.imshow("src", src)cv2.imshow("result", result)
#等待显示cv2.waitKey(0)cv2.destroyAllWindows()
其运行结果如下，它有效地将米粒与背景分离开来。
二.图像黑帽运算
图像底帽运算（bottom-hat transformation）又称为图像黑帽运算，它是用图像闭运算操作减去原始图像后的结果，从而获取图像内部的小孔或前景色中黑点，也常用于解决由于光照不均匀图像分割出错的问题。其公式定义如下：
图像底帽运算是用一个结构元通过闭运算从一幅图像中删除物体，常用于校正不均匀光照的影响。其效果图如下图所示。
在Python中，图像底帽运算主要调用morphologyEx()实现，其中参数cv2.MORPH_BLACKHAT表示底帽或黑帽处理，函数原型如下：
dst = cv2.morphologyEx(src,
cv2.MORPH_BLACKHAT, kernel)
- src表示原始图像
- cv2.MORPH_BLACKHAT表示图像底帽或黑帽运算
- kernel表示卷积核，可以用numpy.ones()函数构建
Python实现图像底帽运算的代码如下所示：
#encoding:utf-8import cv2 import numpy as np
#读取图片src = cv2.imread('test06.png', cv2.IMREAD_UNCHANGED)
#设置卷积核kernel = np.ones((10, 10), np.uint8)
#图像黑帽运算result = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)
#显示图像cv2.imshow("src", src)cv2.imshow("result", result)
#等待显示cv2.waitKey(0)cv2.destroyAllWindows()
其运行结果如图所示：
三.基于灰度三维图的顶帽黑帽运算
为什么图像顶帽运算会消除光照不均匀的果呢？通常可以利用灰度三维图来进行解释该算法。灰度三维图主要调用Axes3D包实现，对原图绘制灰度三维图的代码如下：
# -*- coding: utf-8 -*-import numpy as npimport cv2 as cvimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dfrom matplotlib import cmfrom matplotlib.ticker import LinearLocator, FormatStrFormatter
#读取图像img = cv.imread("test06.png")img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)imgd = np.array(img) #image类转numpy
#准备数据sp = img.shapeh = int(sp[0]) #图像高度(rows)w = int(sp[1]) #图像宽度(colums) of image
#绘图初始处理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)
#自定义z轴ax.set_zlim(-10, 255)ax.zaxis.set_major_locator(LinearLocator(10)) #设置z轴网格线的疏密#将z的value字符串转为float并保留2位小数ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
# 设置坐标轴的label和标题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)
#添加右侧的色卡条fig.colorbar(surf, shrink=0.6, aspect=8) plt.show()
运行结果如下图所示：
从图像中的像素走势显示了该图受各部分光照不均匀的影响，从而造成背景灰度不均现象，其中凹陷对应图像中灰度值比较小的区域。而通过图像白帽运算后的图像灰度三维图的代码如下：
# -*- coding: utf-8 -*-import numpy as npimport cv2 as cvimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dfrom matplotlib import cmfrom matplotlib.ticker import LinearLocator, FormatStrFormatter
#读取图像img = cv.imread("test06.png")img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#图像黑帽运算kernel = np.ones((10,10), np.uint8)result = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)
#image类转numpyimgd = np.array(result)
#准备数据sp = result.shapeh = int(sp[0]) #图像高度(rows)w = int(sp[1]) #图像宽度(colums) of image
#绘图初始处理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 = imgdsurf = ax.plot_surface(x, y, z, cmap=cm.coolwarm)
#自定义z轴ax.set_zlim(-10, 255)ax.zaxis.set_major_locator(LinearLocator(10)) #设置z轴网格线的疏密#将z的value字符串转为float并保留2位小数ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
# 设置坐标轴的label和标题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)
#添加右侧的色卡条fig.colorbar(surf, shrink=0.6, aspect=8) plt.show()
效果图如下所示，对应的灰度更集中于10至100区间，由此证明了不均匀的背景被大致消除了，有利于后续的阈值分割或图像分割。
四.总结
写到这里，这篇文章就介绍结束。希望文章对大家有所帮助，如果有错误或不足之处，还请海涵。文章写于连续奔波考博，经历的事情太多，有喜有悲，需要改变自己好好对家人，也希望读者与我一起加油。
感谢在求学路上的同行者，不负遇见，勿忘初心。月是故乡圆啊～
