计算机视觉与模式识别实验1-2 图像的形态学操作

🧡🧡实验流程🧡🧡

1.图像膨胀

膨胀原理：设置一个3x3的矩阵，遍历每个像素点，该像素点的值等于以该像素点为中心的3*3范围内的最大值。由于是二值图像（要么0黑，要么255白），所以只要包含周围白（255）的部分，就变为白的。如下，字的外轮廓变粗。

2.图像腐蚀

腐蚀原理：与膨胀相反，设置一个3x3的矩阵，遍历每个像素点，该像素点的值等于以该像素点为中心的3*3范围内的最小值。由于是二值图像（要么0黑，要么255白），所以只要包含周围黑（0）的部分，就变为黑的。如下，腐蚀后，减少了一些毛刺，并且字体外形向内凹陷变瘦。

3.膨胀与腐蚀的综合使用

开操作原理：在上述腐蚀操作中，虽然能去除毛刺，但是会对原字体有影响（轮廓变细了），因此再补上膨胀操作，使得字体加粗，即进行先腐蚀后膨胀的操作。如下图，“开”字的毛刺去除了，同时字体轮廓粗细跟原来一样。

闭操作原理：与开操作相反，即进行先膨胀后腐蚀的操作。相当于先放大所有细节（这样子一些缺陷就可以闭合），然后腐蚀缩小到原字体粗细。如下，“闭”字几个封口闭合了。

4.对下面二值图像的目标提取骨架，并分析骨架结构。

梯度计算原理：膨胀图像-腐蚀图像，用大一圈的图像减去小一圈的图像正好就是边缘的信息

🧡🧡全部代码🧡🧡

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

def cv_show(img):
    cv2.imshow('Image', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


"""
    2-1 膨胀操作
""" 
ori = cv2.imread('img/test1_dilate.png') # 注意不要有中文
kernel = np.ones((3, 3), dtype=np.uint8)
dilate = cv2.dilate(ori, kernel, iterations=1) # 1:迭代次数，也就是执行几次膨胀操作
res = np.hstack((ori, dilate)) # 拼接在一起
cv_show(res)

"""
    2-2 腐蚀操作
"""
ori = cv2.imread('img/test1_erode.png') 
kernel = np.ones((3, 3), dtype=np.uint8)
erosion = cv2.erode(ori, kernel, iterations=1)
res = np.hstack((ori, erosion))
cv_show(res)

"""
    2-3 开闭运算
"""
ori = cv2.imread('img/test1_open_close.png') 
kernel = np.ones((5, 5), dtype=np.uint8)

opening = cv2.morphologyEx(ori, cv2.MORPH_OPEN, kernel, 1)
res = np.hstack((ori, opening))
cv_show(res)
closing = cv2.morphologyEx(ori, cv2.MORPH_CLOSE, kernel, 1)  # 有缺陷，填补缺陷
res = np.hstack((ori, closing))
cv_show(res)

"""
    2-4 梯度计算 -- 提取骨架
"""
ori = cv2.imread('img/test1_morph.png') 
kernel = np.ones((3, 3), dtype=np.uint8)
gradient = cv2.morphologyEx(ori, cv2.MORPH_GRADIENT, kernel)
cv_show(gradient)