一、图像腐蚀(变瘦)
结构元素与目标区域进行完全覆盖,保留结构元素的中心点覆盖位置。(寻找结构元素中覆盖目标图像的最小值,赋给结构元素原点位置)
涉及函数:
cv2.erode(src, element, anchor, iterations)
参数说明:
- 参数1:原图像
- 参数2:腐蚀操作的内核,默认是一个简单的3x3矩
- 参数3:默认为Point(-1, -1),内核中心点
- iterations, 腐蚀次数,默认为1
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("xingtai.png", 1)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# kernel越大腐蚀越厉害
kernel = np.ones((5, 5), np.uint8)
# OpenCV定义的结构元素,cv2.MORP_表示内核
# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
erosion = cv2.erode(img, kernel, iterations=1)
plt.subplot(1, 2, 1), plt.imshow(img), plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(erosion), plt.title('erosion')
plt.xticks([]), plt.yticks([])
plt.show()
二、图像膨胀 (变胖)
结构元素与目标区域有交集,就保留结构元素的中心点覆盖位置。(寻找结构元素中覆盖目标图像的最大值,赋给结构元素原点位置)
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("xingtai.png",1)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# kernel = np.ones((3,3), np.uint8)
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
dilation1 = cv2.dilate(img,kernel1,iterations=1)
kernel2 = np.ones((7,7), np.uint8)
dilation2 = cv2.dilate(img,kernel2,iterations=1)
plt.subplot(1,3,1),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(1,3,2),plt.imshow(dilation1),plt.title("dilation1")
plt.xticks([]),plt.yticks([])
plt.subplot(1,3,3),plt.imshow(dilation2),plt.title("dilation2")
plt.xticks([]),plt.yticks([])
plt.show()
三、开运算
开运算=先腐蚀运算,再膨胀运算。
总结:
- 开运算能够除去孤立的小点,毛刺和小桥,而总的位置和形状不变。
- 开运算是一个基于几何运算的滤波器。
- 结构元素大小的不同将导致滤波器效果的不同。
- 不同的结构元素的选择导致了不同的分割,即提取出不同的特征。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("xingtai.png",1)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
# kernel = np.ones((5,5), np.uint8)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(9,9))
opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
plt.subplot(1,2,1),plt.imshow(img),plt.title("Original")
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2),plt.imshow(opening),plt.title("opening")
plt.xticks([]),plt.yticks([])
plt.show()
四、闭运算
闭运算=先膨胀运算,在腐蚀运算。
总结:
- 比运算能够填平小湖(即小孔),弥合小裂缝,而总的位置和形状不变。
- 闭运算是通过填充图像的凹角来滤波图像的。
- 结构元素大小的不同将导致滤波器效果的不同。
- 不同结构元素的选择导致了不同的分割。
-
在关闭前景对象内部的小孔或对象上的小黑点时很有用。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("hpc.png",1)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
kernel = np.ones((3,3), np.uint8)
closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
plt.subplot(1,2,1),plt.imshow(img),plt.title('orginal')
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2),plt.imshow(closing),plt.title('closing')
plt.xticks([]),plt.yticks([])
plt.show()
五、形态学梯度
基础梯度:用膨胀后的图像减去腐蚀后的图像得到差值图像。
内部梯度:用原图像减去腐蚀之后的图像得到的差值图像。
外部梯度:图像膨胀之后再减去原来的图像得到的差值图像。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("xingtai.png", 1)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
kernel = np.ones((3, 3), np.uint8)
gradient = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
plt.subplot(1,2,1),plt.imshow(img),plt.title("Original")
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2),plt.imshow(gradient),plt.title("gradient")
plt.xticks([]),plt.yticks([])
plt.show()
形态学梯度:这是图像膨胀和腐蚀之间的区别。 结果将看起来像对象的轮廓。
六、顶帽
原图像与开运算图的区别(差值),突出原图像中比周围亮的区域。
# 它是输入图像和图像开运算之差
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("xingtai.png", 1)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
kernel = np.ones((9, 9), np.uint8)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
plt.subplot(1, 2, 1), plt.imshow(img), plt.title("Original")
plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(tophat), plt.title("Tophat")
plt.xticks([]), plt.yticks([])
plt.show()
七、黑帽
闭运算图像-原图像,突出原图像中比周围暗的区域。
# 黑帽: 这是输入图像和图像闭运算之差。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("xingtai.png", 1)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
kernel = np.ones((9, 9), np.uint8)
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
plt.subplot(1, 2, 1), plt.imshow(img), plt.title("Original")
plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(blackhat), plt.title("Blackhat")
plt.xticks([]), plt.yticks([])
plt.show()