1 连通性
在图像中,最小的单位是像素,每个像素周围有8个临界像素,常见的邻接关系有3种:4邻接、8邻接和D邻接。分别如下图所示:
- 4邻接:像素p(x,y)的4邻域是:(x+1,y);(x-1,y);(x,y+1);(x,y-1),用N4§表示像素p的4邻域
- D邻接:像素p(x,y)的D邻域是:对角上的点(x+1,y+1);(x+1,y-1);(x-1,y+1);(x-1,y-1),用ND§表示像素p的D邻域
- 8邻接:像素p(x,y)的8邻域是:4邻域的点+D邻域的点,用N8§表示像素p的8邻域
连通性是描述区域和边界的重要概念,两个像素连通的两个必要条件是:
- 两个像素的位置是否相邻
- 两个像素的灰度值是否满足特定的相似性准则(或者是否相等)
根据连通性的定义,有4联通、8联通和m联通三种。
-
4联通:对于具有值V的像素p和q,如果q在集合N4(p)中,则称这两个像素是4连通
-
8联通:对于具有值V的像素p和q,如果q在集合N8(p)中,则称这两个像素是8连通
-
对于具有值V的像素p和q,如果:
- q在集合N4(p)中,或
- q在集合ND(p)中,并且N4(p)和N4(q)的集合为空(没有值V的像素)
则称这两个像素是m连通的,即4连通和D连通的混合连通。
2 形态学操作
形态学转换是基于图像形状的一些简单操作。它通常在二进制图像上执行。腐蚀和膨胀是两个基本的形态学运算符。然后它的变体形式如开运算,闭运算,礼帽黑帽等。
2.1 腐蚀和膨胀
腐蚀和膨胀时最基本的形态学操作,腐蚀和膨胀都是针对白色部分(高亮部分)而言的。
膨胀就是使图像中高亮部分扩张,效果图拥有比原图更大的高亮区域;腐蚀是原图中的高亮区域被蚕食,效果图拥有比原图更小的高亮区域。膨胀是求局部最大值的操作,腐蚀是求局部最小值的操作。
-
腐蚀
具体操作是:用一个结构元素扫描图像中的每一个像素,用结构元素中的每一个像素与其覆盖的像素做“与”操作,如果都为1,则该像素为1,否则为0。如下图所示,结构A被结构B腐蚀后:(下图中最上面的方格是错误的!!!)
腐蚀的作用是消除物体边界点,使目标缩小,可以消除小于结构元素的噪声点。
API:
cv.erode(img,kernel,iterations)
参数:
- img:要处理的图像
- kernel:核结构
- iterations:腐蚀的次数,默认为1
-
膨胀
具体操作是:用一个结构元素扫描图像中的每一个像素,用结构元素中的每一个像素与其覆盖的像素做“与”操作,如果都为0,则该像素为0,否则为1.如下图所示,结构A被结构B腐蚀后:
作用是将与物体接触的所有背景点合并到物体中,使目标增大,可添补目标中的孔洞。
API:
cv.dilate(img,kernel,iterations)
参数:
- img:要处理的图像
- kernel:核结构
- iterations:腐蚀的次数,默认为1
-
示例
使用一个5*5的卷积核实现腐蚀和膨胀的运算:
import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 读取图像 img = cv.imread("D:\Projects notes\opencv\image\letter.png") # 2 创建核结构 kernel = np.ones((5, 5), np.uint8) # 3 图像腐蚀和膨胀 erosion = cv.erode(img, kernel) # 腐蚀 dilate = cv.dilate(img, kernel) # 膨胀 # 4 图像展示 fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(10, 8), dpi=100) axes[0].imshow(img) axes[0].set_title("原图") axes[1].imshow(erosion) axes[1].set_title("腐蚀后的结构") axes[2].imshow(dilate) axes[2].set_title("膨胀后的图像") plt.show()
2.2 开闭运算
开运算和闭运算是将腐蚀和膨胀按照一定的次序进行处理。但这两者并不是可逆的,即先开后闭并不能得到原来的图像。
-
开运算
开运算使先腐蚀后膨胀,其作用是:分离物体,消除小区域。
特点:下厨早点,去除小的干扰快,而不影响原来的图像。
-
闭运算
闭运算与开运算相反,是先膨胀后腐蚀,作用是“消除/闭合”物体里面的孔洞。
特点:可以填充闭合区域
-
API
cv.morphologyEx(img, op, kernel)
参数:
- img:要处理的图像
- op:处理方式:若进行开运算,则设为cv.MORPH_OPEN,若进行闭运算,则设为cv.MORPH_CLOSE
- kernel:核结构
-
示例
使用10*10的核结构对卷积进行开闭运算的实现
import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 读取图像 img1 = cv.imread("D:\Projects notes\opencv\image\letteropen.png") img2 = cv.imread("D:\Projects notes\opencv\image\letterclose.png") # 2 创建核结构 kernel = np.ones((10, 10), np.uint8) # 3 图像的开闭运算 cvopen = cv.morphologyEx(img1, cv.MORPH_OPEN, kernel) # 开运算 cvclose = cv.morphologyEx(img2, cv.MORPH_CLOSE, kernel) # 闭运算 # 4 图像显示 fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8), dpi=100) plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文 axes[0, 0].imshow(img1) axes[0, 0].set_title("原图") axes[0, 1].imshow(cvopen) axes[0, 1].set_title("开运算结果") axes[1, 0].imshow(img2) axes[1, 0].set_title("原图") axes[1, 1].imshow(cvclose) axes[1, 1].set_tit le("闭运算结果") plt.show()
2.3 礼帽和黑帽
-
礼帽运算
原图像与“开运算”的结果图之差,如下式计算:
d s t = t o p h a t ( s r c , e l e m e n t ) = s r c − o p e n ( s r c , e l e m e n t ) dst = tophat(src, element) = src - open(src, element) dst=tophat(src,element)=src−open(src,element)
因为开运算带来的结果是放大了裂缝或者局部低亮度的区域,因此,从原图中减去开运算后的图,得到的效果图突出了比原图轮廓周围的区域更明亮的区域,且这一操作和选择的核的大小相关。礼帽运算用来分离比临近点亮一些的斑块,当一幅图像具有大幅的背景的时候,而微小物品比较有规律的情况下,可以使用顶帽运算进行背景提取。
-
黑帽运算
为“闭运算”的结果图与原图像之差。数学表达式为:
d s t = b l a c k h a t ( s r c , e l e m e n t ) = c l o s e ( s r c , e l e m e n t ) − s r c dst = blackhat(src, element) = close(src, element) - src dst=blackhat(