在數字圖像處理中，圖像分割是很關鍵的一步，當圖像質量較好，光照很均勻的時候只需用全局閾值的方法就能很完美地完成圖像分割任務，但是有些時候會遇到光照不均勻的現象，這個時候就需要用一些技巧才能達到比較好的分割效果。

我們先看一個實例，下面圖1和圖3為做硬幣面額識別拍攝的，可以看到，由于硬幣表面的反光以及打光角度的原因，圖片存在嚴重的光照不均現象。

如果對兩幅圖像直接進行全局閾值可以得到圖2和圖4的結果，可以看到分割的效果很差，比如第一幅，右上角的光照要強一些，而且右上角的硬幣存在一定的反光，灰度值整體偏高，導致最后分割效果很差。第二幅則是左邊部分光照太強，左邊的硬幣分割效果很差。

2. 方式1: 分塊閾值

通過將圖像分割成若干塊，分別進行閾值分割，可以在一定程度上解決光照或反射造成的不均勻影響。選擇的塊要足夠小，以便每個塊的光照都近似均勻的，這樣自動閾值時，在高灰度區域就會用高閾值分割，在低灰度區域就會用低閾值分割。

圖5為分塊結果，示例中分塊與硬幣大小相當，分完塊之后就可以按塊進行全局閾值法（這里采用常用的最大類間方差法，otsu法）處理了，但是需要注意的是有的塊中只有背景，這個時候需要進行判斷，排除對這種塊的處理。

筆者在計算出各個塊的可分性度量之后，發現區分效果并不是很好，后來通過分析最大類間方差法，有個想法就是用分割閾值處的類間平均灰度差判斷圖像塊的可分性，當圖像中只有背景或只有物體時，由于灰度值比較接近，則用otsu法算出的“背景”和“前景”平均灰度差（類間灰度差）會很小。

如圖5中各塊標注的文字所示，T為分割閾值，d為類間平均灰度差，可以看到當塊中只有背景時，平均灰度差與有物體時相差很大，選取特征區分效果很好。本示例中，選灰度差20就能將兩種不同的塊很好的區分開。

之后僅對既有物體又有背景的塊進行自動閾值處理、二值化、填充孔洞，可以得到圖6的結果，可以看到每個硬幣都被很好的分割出來：

3. 方式2: 頂帽變換和底帽變換

這兩個變換的主要應用之一是，用一個結構元通過開操作或閉操作從一副圖像中刪除物體，而不是擬合被刪除的物體。然后，差操作得到一副僅保留已刪除分量的圖像。頂帽變換用于暗背景上的亮物體，而底帽變換則用于相反的情況。由于這一原因，當談到這兩個變換時，常常分別稱為白頂帽變換和黑底帽變換。它們一個重要用途是校正不均勻光照的影響。

由于原圖是背景亮，前景暗，對原圖進行底帽變換以解決光照不均勻的問題，這里先給出處理結果，如下圖，可以看到底帽變換后的圖像刪除了大部分非均勻背景，最后閾值處理后，左邊的硬幣被分割出來，有少量殘缺，但是影響不大，后續可以通過形態學的其他處理將殘缺補齊。

那么為什么底帽變換或頂帽變換可以達到上述效果呢，下面以底帽變換為例，通過圖像的灰度三維圖來進行解釋。

底帽變換為f的閉操作減去f，閉運算可以幾何意義是讓球體緊貼在曲面的上表面滾動，此時球體任何部分所能達到的最低點即構成了閉運算f?b的曲面。

圖2為原圖灰度三維圖，上方彎曲的走勢顯示了圖像各部分光照不均勻造成的背景灰度不均現象，其中凹陷對應圖像中灰度值比較小的區域，也就是圖像中的硬幣。

通過選取大于硬幣大小的合適結構元，可以看成一個球體在灰度曲面上滾動，球體下表面的軌跡構成閉運算的曲面，如圖3所示，原圖中的凹陷都被填上，可以近似代表不均勻的背景。閉運算完之后再減去原圖像即可得到背景近似均勻的圖像，如圖4所示，對應的灰度圖可以看圖1（c）,可以看到不均勻的背景被大致去除，這將十分有助于后面的閾值分割。