数字图像处理篇（5）OpenCV形态学操作

最新推荐文章于 2024-04-10 23:34:39 发布

计算机鬼才～

最新推荐文章于 2024-04-10 23:34:39 发布

阅读量622

点赞数 3

分类专栏：玩转图像处理文章标签：计算机视觉图像处理人工智能

本文链接：https://blog.csdn.net/m0_69299019/article/details/128136825

版权

玩转图像处理专栏收录该内容

11 篇文章 12 订阅

订阅专栏

一、预备知识

在讲述本节内容之前，我们自然要先讲讲标题中“形态学”一词的含义。

形态学：原来是生物学的一个分支，研究动物和植物的形态与结构。而数学形态学指的是用来表述图象的表态分量。比如说轮廓、边界、骨架、连通分量等等。典型的形态学应用有细化、修建毛刺等等。

想要理解图像形态学的相关知识，我们需要先理解一些数学集合论相关的知识。假设A、B为集合，U为全集，那么：

并集： $A \cup B =\left \{ x| x\subseteq A\, \, or\, \, x\subseteq B \right \}$ ，可以理解为二值运算的或（OR）操作

交集： $A\cap B=\left \{ x|x\subseteq A \, \, and \, \, x\subseteq B\right \}$ ，可以理解为二值运算的与（AND）操作

差集： $A-B=\left \{ x|x\subseteq A\, \, and\, \, x\nsubseteq B \right \}$

补集： $C_{U}A=\left \{ x|x\subseteq U\, \, and\, \, x\nsubseteq A \right \}$ ，也可写作 $A^{c}$ ，它可以理解为二值运算的非（NOT）操作。

用图像表示更为直观，如下图：

反射： $\hat{B}=\left \{ w|w=-b,b\subseteq B \right \}$ ， $\hat{B}$ 是B中坐标（x,y）已被（-x,-y）代替的点集，将原集合相对与其原点旋转180°。

平移： $\left ( B \right )_{z}=\left \{ c|c=b+z,b\in B \right \}$ ，是集合B相对与点z=（ $z_{1},z_{2}$ ）的平移。

反射和平移都是相对于B的原点进行定义的。我们依然用更为直观的图像去理解这种数学操作：

二、腐蚀与膨胀

1、腐蚀操作

假设A和B是 $Z^{2}$ 中的两个集合，B对A的腐蚀（A $\ominus$ B）定义为 $A\ominus B=\left \{ z|\left ( B \right )_{z} \subseteq A\right \}$ ,这个公式指出B对A的腐蚀是所有点z的集合，条件是平移z后的B包含于A，并且位移是相对与B的原点定义的。也可将腐蚀等效的写为： $A\ominus B=\left \{ z|\left ( B \right )_{z}\, \cap \, A^{c}=\O \right \}$ ,其中 $\O$ 代表空集。

如果还不好理解，我们用一个例子来解释腐蚀操作。如上图，B中间的这个点为原点，腐蚀操作的步骤为：首先随便移动B，但A集合要完全包含B集合，然后保留B中的原点，这些”原点“所组成的集合就是腐蚀后所得的图像。

腐蚀操作的最大用途就是去掉“毛刺”，去掉特别细的线条。我们可以使用OpenCV来实现这一操作，其API与相关参数如下：

dst = cv2.erode(src,kernel[,anchor[,interations[,borderType[,borderValue]]]])

2、膨胀操作

假设A和B是 $Z^{2}$ 的两个集合，B对A的膨胀（A $\oplus$ B）定义为 $A\oplus B=\left \{ z|\left ( \hat{B} \right )_{z}\, \cap A\, =\O \right \}$ ,类似于腐蚀，这个公式是以B相对于其原点反射并将这以反射平移z为基础的。于是，B对A的膨胀就是 $\hat{B}$ 的前景元素与A的至少一个元素重叠，所有位移z的集合，并且要注意位移是相对与B的原点定义的。

如果还不好理解，我们再用一个例子来解释腐蚀操作。如上图，B中间的这个点为原点，膨胀操作的步骤为：首先随便移动B，但A集合要完全包含B的原点，然后保留B中所有元素，这些元素所组成的集合就是膨胀后所得的图像。

膨胀操作最大的用处是，能将毛细部分加粗，起到连接的作用。

dst = cv2.dilate(src,kernel[,anchor[,interations[,borderType[,borderValue]]]])

三、OpenCV的形态学函数

dst = cv2.morphologyEx( src ,op ,kernel ,[,anchor[,interations[,borderType[,borderValue]]]])

四、开运算与闭运算

1、开运算

结构元B对集合A的开运算（A $\circ$ B)定义为 $\left ( A\ominus B \right )\oplus B$ ,首先B对A腐蚀，接着B对腐蚀结果进行膨胀操作。它的作用为使对象轮廓平滑，断开狭窄的间断、消除细的突出物，去除小亮点，从某种意义上来说，是对二值图进行“去噪”。总体上来说，开运算体现出“分开”。

我们拿下面这张图做一个开运算，通过对比原图与结果，帮助大家理解（前者是原图，后者是通过开运算后得到的结果）：

import cv2
import numpy as np

img=cv2.imread("test.png",-1)
cv2.imshow("original",img)

#核越大消除的部分越多
kernel=np.ones((11,11),np.uint8)
open = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)

cv2.imshow("open",open)
cv2.imwrite("open.jpg",open)
cv2.waitKey()
cv2.destroyAllWindows()

2、闭运算

结构元B对集合A的闭运算（A·B)定义为 $A\cdot B=\left ( A\ominus B \right )\oplus B$ ,首先B对A膨胀，接着B对膨胀结果进行腐蚀操作。它的作用为使对象轮廓平滑，融联狭窄的间断和长细的深沟，去除小孔洞，总体来说，闭运算体现出“联接 ”。

其代码与开运算类似只需要把参数cv2.MORPH_OPEN改为cv2.MORPH_CLOSE，此处略过。

五、礼帽与黑帽操作

1、礼帽

礼帽定义为输入图像与图像开运算得到的结果之差,图像的结果往往是被开运算“去噪”的那些盐噪点构成的集合，以及原图的狭窄间断。这个也很好理解，看看开运算去掉的是什么就明白了。

import cv2
import numpy as np

img=cv2.imread("black_white.jpg",0)
cv2.imshow("original",img)

kernel=np.ones((3,3),np.uint8)
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)

cv2.imshow("tophat",tophat)
cv2.imwrite("tophat.jpg",tophat)
cv2.waitKey()
cv2.destroyAllWindows()

2、黑帽

黑帽则定义为输入图像与图像闭运算得到结果之差，图像的结果往往是被闭运算“去噪”的那些椒噪声所构成的集合，以及闭运算融联的部分。同理，看看闭运算增添了什么就明白了这一操作是获取图像小孔信息。

import cv2
import numpy as np

img=cv2.imread("black_white.jpg",0)
cv2.imshow("original",img)

kernel=np.ones((11,11),np.uint8)
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)

cv2.imshow("blackhat",blackhat)
cv2.imwrite("blackhat.jpg",blackhat)
cv2.waitKey()
cv2.destroyAllWindows()