图像处理：去除背景光照梯度【优先使用Python实现】

我太懂你这个踩坑点了——直接灰度相减效果拉胯，十有八九是因为光照梯度不是简单的叠加关系，而是乘法性的（光照是给每个像素乘上一个渐变的系数），再加上两张图可能存在细微的光照波动或者拍摄时的小偏移，直接相减自然没用。下面给你几个亲测有效的改进方案：

方案1：背景归一化（除法校正） #

这是处理光照渐变最经典的方法，核心思路是：既然光照是乘法影响，那把目标图和背景图做除法，就能按比例消除背景的光照梯度，让锥体的亮度更均匀。

代码示例（用PIL+Numpy实现）：

from PIL import Image
import numpy as np

# 读取图像并转为灰度浮点型（避免整数除法丢失精度）
target_img = np.array(Image.open('../Pics/image.png').convert('L')).astype(np.float32)
background_img = np.array(Image.open('../Pics/background.png').convert('L')).astype(np.float32)

# 加个小epsilon防止除以0的情况
epsilon = 1e-5
# 归一化后把亮度拉回0-255范围
normalized_img = (target_img / (background_img + epsilon)) * 255

# 裁剪超出范围的像素值，转回uint8格式
normalized_img = np.clip(normalized_img, 0, 255).astype(np.uint8)

# 保存结果
Image.fromarray(normalized_img).save('../Pics/corrected_cone.png')

这个方法出来的结果，锥体的亮度会明显更均匀，背景的渐变也会被大幅削弱。

方案2：自适应阈值+背景差分 #

如果除法后还是残留一些噪点或者模糊的边缘，可以结合自适应阈值来精准提取锥体：

代码示例（用OpenCV实现）：

import cv2
import numpy as np

# 读取灰度图
target = cv2.imread('../Pics/image.png', cv2.IMREAD_GRAYSCALE)
background = cv2.imread('../Pics/background.png', cv2.IMREAD_GRAYSCALE)

# 先计算两张图的差分
diff = cv2.absdiff(target, background)

# 用自适应阈值处理——局部区域自动调整阈值，完美适配光照不均
adaptive_thresh = cv2.adaptiveThreshold(
    diff, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2
)

# 可选：用形态学操作去掉小噪点
kernel = np.ones((3,3), np.uint8)
cleaned_result = cv2.morphologyEx(adaptive_thresh, cv2.MORPH_OPEN, kernel)

cv2.imwrite('../Pics/segmented_cone.png', cleaned_result)

这个方法能直接把锥体从背景里抠出来，适合你只关心锥体对象的需求。

方案3：先对齐图像（如果有偏移） #

如果拍摄时相机动了哪怕一点点，两张图的像素不对齐，前面的方法都会有重影或模糊。这时候先做图像对齐：

代码示例（用Scikit-Image实现）：

from skimage.feature import match_template
from skimage.transform import warp_affine
from PIL import Image
import numpy as np

target = np.array(Image.open('../Pics/image.png').convert('L'))
background = np.array(Image.open('../Pics/background.png').convert('L'))

# 用模板匹配找两张图的偏移量
match_result = match_template(target, background)
y_shift, x_shift = np.unravel_index(np.argmax(match_result), match_result.shape)

# 生成变换矩阵，把目标图对齐到背景图的位置
transform_matrix = np.array([[1, 0, -x_shift], [0, 1, -y_shift]])
aligned_target = warp_affine(target, transform_matrix, background.shape)

# 对齐后再用方案1或方案2处理就行
aligned_target = (aligned_target / (background + 1e-5)) * 255
aligned_target = np.clip(aligned_target, 0, 255).astype(np.uint8)
Image.fromarray(aligned_target).save('../Pics/aligned_corrected.png')

总结 #

优先试方案1的除法归一化，这是解决光照梯度最直接的方法；如果结果有模糊或重影，就先做方案3的对齐；最后用方案2的自适应阈值来精准提取锥体。

内容的提问来源于stack exchange，提问作者Liris