OpenCV的滚动球背景减法算法

在ImageJ:Process->Subtract background中是否有OpenCV（android）实现的“滚动球”背景减法算法

OpenCV有一个BackgroundSubtractorMOG类，但它用于视频流，而不是单个独立图像

这是该方法的一个示例：

---

以下是该过程的文档：

据我所知，OpenCV C库中没有实现，Android JNI包装器只是围绕主库的包装器

已经说过ImageJ实现的源代码可以在线获得，因此您应该能够将其直接整合到Android图像处理管道中

关于滚动球与使用圆盘结构元素（可在OpenCV中获得）的相对优点，进行了一些讨论

---

如果你绝对需要滚动球和OpenCV，那么遗憾的是它是不可用的。“< /P> < P> <强>编辑：< /强>在使用此帖子中的方法之前，请阅读下面的评论，也可以考虑@ ReNAT和@ David Hoffman的答案。

以防有人仍在寻找python中的滚动球背景校正。对我来说，以下几点效果很好

加载图像并分别处理每个通道

创建加权球结构元素

使用白色顶帽变换

以下是单色图像的一些代码：

将scipy.ndimage导入为scim
从scipy.misc导入imsave
从skimage.com导入球
#读取图像
im=scim.imread（“路径”）[：，：，0].astype（int）
#创建半径为50、直径为2*50+1的三维球
s=球（50）
#只拿球的上半部分
h=s.shape[1]//2+1#50+1
#将三维球展平为加权二维圆盘
s=s[：h，：，：]和（轴=0）
#将权重重缩放为0-255
s=（255*（s-s.min（））/（s.max（）-s.min（））
#使用im打开（im，球）（即白色顶帽变换）（见原始出版物）
im_corr=scim.white_tophat（im，结构=s）
#保存校正后的图像
imsave（'outfile'，im_corr）

---

这将提供与imagej实现不完全相同的结果，但结果非常相似。在我的例子中，有更好和更差的校正区域。此外，整体颜色强度更高。

基于@Xenthor的答案，我得出了以下结论：

将numpy导入为np
将scipy.ndi图像导入为ndi
从scipy.ndimage.\u不支持导入\u规范化\u序列
def滚动球过滤器（数据、球半径、间距=无、顶部=假、**kwargs）：
用形态学运算实现的滚动球滤波器
这种植入非常类似于ImageJ中的植入，并使用顶帽变换
具有球形结构元素
https://en.wikipedia.org/wiki/Top-hat_transform
参数
----------
数据：Ndaray
图像数据（假定位于规则网格上）
球半径：浮动
要滚动的球的半径
间距：int或sequence
图像数据的间距
上图：布尔
是在数据的顶部还是底部滚动球
kwargs：关键词参数
这些将传递给ndimage形态学操作
退换商品
-------
数据\u nb:ndarray
减去背景的数据
bg:Ndaray
从数据中减去的背景
"""
ndim=data.ndim
如果间距为“无”：
间距=1
间距=_规范化_序列（间距，ndim）
半径=np.asarray（_归一化_序列（球半径，ndim））
mesh=np.array（np.meshgrid（*[np.arange（-r，r+s，s）表示拉链中的r，s（半径，间距）]，index=“ij”））
结构=2*np.sqrt（1-（（网格/半径.整形（-1，*（（1，）*ndim））**2.sum（0））
结构[~np.isfinite（结构）]=0
如果不是顶部：
#ndi.white_tophat（数据，结构=结构，输出=背景）
背景=ndi.灰色（数据，结构=结构，**kwargs）
背景=ndi.grey\u膨胀（背景，结构=结构，**kwargs）
其他：
#ndi.black_tophat（数据，结构=结构，输出=背景）
背景=ndi.grey\u膨胀（数据，结构=结构，**kwargs）
背景=ndi.灰色\u侵蚀（背景，结构=结构，**kwargs）
返回数据-背景，背景

您可以在这里找到opencv中最近的滚动球实现

总之

安装

pip安装opencv滚动球

范例

import cv2
from cv2_rolling_ball import subtract_background_rolling_ball

img = cv2.imread(f'path/to/img.tif', 0)
img, background = subtract_background_rolling_ball(img, 30, light_background=True, use_paraboloid=False, do_presmooth=True)

---

ImageJ实现的原始算法来自1983年的一篇论文。我看了一下，它实际上是一顶灰度形态的白色礼帽，带有一个球形的灰度结构元素（参见）。在ImageJ实现（此处提供）中，根据结构元素的半径对图像进行下采样，然后将图像上采样到原始分辨率，默认情况下，在计算要减去的背景之前应用使用3x3平均滤波器的平滑操作。这很可能解释了使用Xenthor提出的方法观察到的差异

如果你在Android上工作，你有几个选择：1）使用ImageJ库，因为它是Java的，但是你需要实现一个OpenCV ImageJ图像桥；2）如果你使用Android NDK在C++中工作，并且由于OpenCV不为非平坦的结构元素实现灰度形态，那么你可以使用ITK（）代替Grayale白色顶帽；3）仍然使用NDK，这里有一个基于OpenCV的C++端口，这里的算法仍然是一个正在进行中的工作。

从浏览导入数据，恢复
image=data.coins（）
背景=恢复。滚动球（图像）
结果=图像-背景

---

感谢您的贡献，在

中提供了更详细的演练，但这是否有效？我不得不改变

间距=np