图像形态学转换
目标
在这篇文章中, 我们将学习不同的形态学操作,例如腐蚀,膨胀,开运算,闭运算,形态学梯度等。 我们将看到不同的功能,例如:cv.erode(),cv.dilate(),**cv.morphologyEx()**等。
理论
形态学转换是一些基于图像形状的简单操作。通常在二进制图像上执行,它需要两个输入,一个是我们的原始图像,第二个是决定操作性质的结构元素或内核。两种基本的形态学算子是腐蚀和膨胀。然后,它的变体形式(如“开”,“闭”,“渐变”等)在需要的场合下也有一定的作用。接下来我们将常见的形态学操作进行演示,原始图像如下图所示。
1. 腐蚀
腐蚀的基本思想就像土壤侵蚀一样,它侵蚀前景物体的边界(尽量使前景保持白色)。它主要通过内核在图像中进行滑动(在2D卷积中)。原始图像中的一个像素(无论是1还是0)只有当内核下的所有像素都是1时才被认为是1,否则它就会被侵蚀(变成0)。
腐蚀后的结果根据内核的大小,边界附近的所有像素都会被丢弃。因此,前景物体的厚度或大小减小,或只是图像中的白色区域减小。它有助于去除小的白色噪声(正如我们在颜色空间章节中看到的),分离两个连接的对象等。
在这里,我将使用一个内核全为1的5x5内核作为例子,让我们看看它是如何工作的:
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('./data/LinuxLogo.jpg') # 设置图片所在路径
kernel = np.ones((5, 5), np.uint8)
erosion = cv.erode(img, kernel, iterations=1)
# dilation = cv.dilate(img, kernel, iterations=1)
plt.subplot(121), plt.imshow(img), plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(erosion), plt.title('erosion')
# plt.subplot(122), plt.imshow(dilation), plt.title('erosion')
plt.xticks([]), plt.yticks([])
plt.show()
结果如下图所示:
2. 膨胀
它与侵蚀正好相反。如果内核下的至少一个像素为“ 1”,则像素元素为“ 1”。因此,它会增加图像中的白色区域或增加前景对象的大小。通常,在消除噪音的情况下,腐蚀后会膨胀。因为腐蚀会消除白噪声,但也会缩小物体。因此,我们对其进行了扩展。由于噪音消失了,它们不会回来,但是我们的目标区域增加了。在连接对象的损坏部分时也很有用。
将腐蚀代码的腐蚀操作变为膨胀操作即可,其他保持不变。
dilation = cv.dilate(img,kernel,iterations = 1)
结果如下图所示:
3.开操作、闭操作
开操作仅仅是先腐蚀后膨胀的另一个名称。如上文所述,它对于消除噪音很有用。闭操作与开操作相反,本质是先膨胀再腐蚀。在关闭前景对象内部的小孔或对象上的小黑点时很有用。使用函数cv.morphologyEx()。
在这里,为了体现开操作对消除白点的作用,闭操作对消除黑点的作用,我们给原图像分别添加20%的“椒盐噪声”,然后分别对其进行开操作与闭操作,代码如下:
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('./data/LinuxLogo.jpg', 0)
row, col = img.shape
noise_salt = np.random.randint(0, 256,