OpenCV-形态学转换-腐蚀、膨胀、开运算、闭运算、形态学梯度

 

形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。

膨胀：减少亮区； 腐蚀：扩大亮区

 

结构化元素

---

 

　　构建核的形状和大小方法：cv2.getStructuringElement()

　　　　cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))    ： 构建矩形核
　　　　array([[1, 1, 1, 1, 1],
　　　　　　   [1, 1, 1, 1, 1],
　　　　　　   [1, 1, 1, 1, 1],
　　　　　　   [1, 1, 1, 1, 1],
  　　　　　　 [1, 1, 1, 1, 1]], dtype=uint8)

　　　　cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))  ：构建椭圆核
　　　　　　array([[0, 0, 1, 0, 0],
　　　　　　　　   [1, 1, 1, 1, 1],
　　　　　　　　   [1, 1, 1, 1, 1],
　　　　　　　　   [1, 1, 1, 1, 1],
　　　　　　　　   [0, 0, 1, 0, 0]], dtype=uint8)

　　　　cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))  ：构建十字核
　　　　　　array([[0, 0, 1, 0, 0],
　　　　　　   　　[0, 0, 1, 0, 0],
   　　　　　　　　[1, 1, 1, 1, 1],
   　　　　　　　　[0, 0, 1, 0, 0],
   　　　　　　　　[0, 0, 1, 0, 0]], dtype=uint8)

腐蚀

---

这个操作会把前景物体的边界腐蚀掉（但是前景仍然是白色）。

实现原理：卷积核B沿着图像A滑动，并将B所对应的最小值赋值给A像素中心点。

　　　　对于二值图像，如果与卷积核对应的原图像的所有像素值都是 1，那么中心元素就保持原来的像素值，否则就变为零。 

代码：

 1 import numpy as np
 2 import cv2
 3 from matplotlib import pyplot as plt
 4 
 5 # 灰度模式读取图像
 6 img = cv2.imread("../image/girl.jpg", cv2.IMREAD_GRAYSCALE)
 7 
 8 # 生成深度为8的卷积核
 9 kernel = np.ones((5, 5), np.uint8)
10 
11 # iterations表示迭代的次数
12 erosion = cv2.erode(img, kernel, iterations=1)
13 
14 plt.subplot(121), plt.imshow(img, cmap="gray"), plt.title("Original")
15 plt.subplot(122), plt.imshow(erosion, cmap="gray"), plt.title("Erosion")
16 plt.show()

结果：

　　一般灰度图　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　转成二值图像：

 

膨胀

---

实现原理：卷积核B沿着图像A滑动，并将B所对应的最大值赋值给A像素中心点。

　　　　对于二值图像，如果与卷积核对应的原图像只要有一个像素值是 1，那么中心元素就为1。 

代码：

1 dilation = cv2.dilate(img, kernel, iterations=1)

结果：

    　一般灰度图：　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　转换成二值图像：

 

 开运算

---

对图像进行先腐蚀再膨胀，主要用来出去图像中的白噪声，也可以将图像中两个粘在一起的物体分开。

函数是 cv2.morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

 

代码：

 1 import numpy as np
 2 import cv2
 3 from matplotlib import pyplot as plt
 4 
 5 # 灰度模式读取图像
 6 img = cv2.imread("../image/erosion.jpg", cv2.IMREAD_GRAYSCALE)
 7 # ret, img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
 8 
 9 # 生成深度为8的卷积核
10 kernel = np.ones((5, 5), np.uint8)
11 
12 # cv2.MORPH_OPEN表示开运算
13 opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
14 
15 plt.subplot(121), plt.imshow(img, cmap="gray"), plt.title("Original")
16 plt.subplot(122), plt.imshow(opening, cmap="gray"), plt.title("Opening")
17 plt.show()

结果：

闭运算

---

先膨胀再腐蚀。它经常被用来填充前景物体中的小洞，或者前景物体上的小黑点。

代码：

# cv2.MORPH_CLOSE表示闭运算
close = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

结果：

 

形态学梯度

---

 

它是膨胀与腐蚀的差，该操作能描述图像亮度变化的剧烈程度。当我们想突出高亮区域的外围时，通常可以使用形态学梯度，因为从原区域的膨胀中减去了原区域的收缩，所以留下了图像的外围边缘

代码：

# cv2.MORPH_GRADIENT 表示形态学梯度
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

结果：

 

礼貌、黑帽

---

　　礼貌操作时原始图像与进行开运算后的图像的差。

　　黑帽操作是进行闭运算得到的图像与原始图像的差

　　开运算带来的结果是放大裂缝或局部低亮度区域，因此A - Open(A)可以突出比A周围的区域更明亮的区域，并跟核的大小相关；相反，黑帽操作则能突出比A的周围区域黑暗的区域

代码：

# cv2.MORPH_TOPHAT 表示礼貌操作
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

# cv2.MORPH_BLACKHAT 表示黑帽
# gradient = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

结果：

　　礼貌：　　　　　　　　　　　　　　　　　　　　　　　　　　　黑帽：

  

 

转载于:https://www.cnblogs.com/bingma/p/11219591.html