Opencv学习笔记四——图像形态学操作

需要的库和自定义函数

import cv2
import numpy as np
import matplotlib.pyplot as plt

def cv_show(name, mat):
    cv2.imshow(name, mat)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

 图像形态学操作最基本的两个处理：腐蚀和膨胀

一、腐蚀操作——erode

对图片外围进行销蚀处理，让图像变“瘦”。可用于处理图像中的毛刺。

###        函数原型
void cv::erode 	( InputArray  src,
		OutputArray  	dst,
		InputArray  	kernel,
		Point  	anchor = Point(-1,-1),
		int  	iterations = 1,
		int  	borderType = BORDER_CONSTANT,
		const Scalar &  	borderValue = morphologyDefaultBorderValue() 
	) 		
###        在python中使用
dst	= cv2.erode(src, kernel, dst, anchor, iterations, borderType, borderValue)

src	原图像，通道数可以是任意的。但深度须是CV_8U, CV_16U, CV_16S, CV_32F , CV_64F其中的一种
dst	处理后的图像，大小类型须和原图像相同
kernel	参考的像素点范围(a, b)
anchor	position of the anchor within the element; default value (-1, -1) means that the anchor is at the element center.
iterations	迭代次数
borderType	像素外推方法
borderValue	边界值（在边界为常量的情况下）

 注意：kernel可以用numpy的ones方法创建

anchor参数、borderType参数和boarderValue参数一般使用缺省

loardImg = 'C://Users//rwhite//Pictures//opencv//testt.jpg'

img = cv2.imread(loardImg)
#cv_show('before', img)

kernel = np.ones((5, 5), np.uint8)
erosion = cv2.erode(img, kernel, iterations=2)
#cv_show('after', erosion)

cv2.imwrite('C://Users//rwhite//Pictures//opencv//after.jpg', erosion)

二、膨胀操作——dilate

对图片外围进行膨胀处理，让图像变“胖”。可用于突出图像的某些特征，更容易识别。

###        函数原型
void cv::dilate (InputArray  	src,
		OutputArray  	dst,
		InputArray  	kernel,
		Point  	anchor = Point(-1,-1),
		int  	iterations = 1,
		int  	borderType = BORDER_CONSTANT,
		const Scalar &  borderValue = morphologyDefaultBorderValue() 
	) 		
###        在python中使用
dst	= cv2.dilate(src, kernel, dst, anchor, iterations, borderType)

src	原图像，通道数可以是任意的。但深度须是CV_8U, CV_16U, CV_16S, CV_32F , CV_64F其中的一种
dst	处理后的图像，大小类型须和原图像相同
kernel	参考的像素点范围(a, b)
anchor	position of the anchor within the element; default value (-1, -1) means that the anchor is at the element center.
iterations	迭代次数
borderType	像素外推方法
borderValue	边界值（在边界为常量的情况下

 注意：各个参数用法与erode函数的相同

loardImg = 'C://Users//rwhite//Pictures//opencv//testt.jpg'

img = cv2.imread(loardImg)
#cv_show('before', img)

kernel = np.ones((5, 5), np.uint8)
dil = cv2.dilate(img, kernel, iterations=5)

cv2.imwrite('C://Users//rwhite//Pictures//opencv//after.jpg', dil)
#cv_show('after', dil)

三、morphologyEx函数的使用

【开运算与闭运算、计算梯度、礼帽与黑帽】

###        函数原型
void cv::morphologyEx(InputArray  src,
		OutputArray  	dst,
		int  	op,
		InputArray  kernel,
		Point  	anchor = Point(-1,-1),
		int  	iterations = 1,
		int  	borderType = BORDER_CONSTANT,
		const Scalar &  borderValue = morphologyDefaultBorderValue() 
	) 		
###        在python中使用
dst	= cv2.morphologyEx(src, op, kernel, dst, anchor, iterations, borderType, borderValue)

src	原图像，通道数可以是任意的。但深度须是CV_8U, CV_16U, CV_16S, CV_32F , CV_64F其中的一种
dst	处理后的图像，大小类型须和原图像相同
op	运算方式
kernel	参考的像素点范围(a, b)
anchor	Anchor position with the kernel. Negative values mean that the anchor is at the kernel center.
iterations	迭代次数
borderType	像素外推方法
borderValue	边界值（在边界为常量的情况下

注意：其中op参数用于指定运算方式，可选值如下：

cv2.MORPH_ERODE	膨胀操作
cv2.MORPH_DILATE	腐蚀操作
cv2.MORPH_OPEN	开运算
cv2.MORPH_CLOSE	闭运算
cv2.MORPH_GRADIENT	计算图像梯度
cv2.MORPH_TOPHAT	礼帽运算
cv2.MORPH_BLACKHAT	黑帽运算
cv2.MORPH_HITMISS	"hit or miss" .- Only supported for CV_8UC1 binary images. A tutorial can be found in the documentation

1.开运算与闭运算

开运算先对图像进行腐蚀操作后进行膨胀操作；而闭运算相反，先膨胀在腐蚀。

        开运算：先腐蚀会增加黑点的数量，抹去较小的白点；再进行膨胀操作将黑点变回原样，这样会使被抹去的区域消失。我们在移除小的对象时候很有用(假设物品是亮色，前景色是黑色)，被用来去除噪声。

        闭运算：先膨胀将白色部分变大，此时小的黑色区域会被挤掉，然后腐蚀再将一些大的黑色的部分还原回来，整体得到的效果就是：抹去前景物体上的小黑点。通常是用来填充前景物体中的小洞，或者抹去前景物体上的小黑点

img = cv2.imread('C://Users//rwhite//Pictures//opencv//testtt.jpg', cv2.IMREAD_GRAYSCALE)

kernel = np.ones((7, 7), np.uint8)
close = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
open  = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

 2.梯度运算

膨胀后的图像减去腐蚀后的图像，得到一个图像的轮廓。这个操作就是梯度运算。

img = cv2.imread('C://Users//rwhite//Pictures//opencv//test.jpg', cv2.IMREAD_GRAYSCALE)

kernel = np.ones((7, 7), np.uint8)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.imwrite('C://Users//rwhite//Pictures//opencv//gradient.jpg', gradient)

3.礼帽与黑帽

礼帽 = 原始输入 - 开运算结果

 即礼帽运算可以得到开运算操作中处理掉的毛刺

黑帽=闭运算结果 - 原始输入

即黑帽运算可以得到原始输入中图像的大致轮廓