【初识OpenCV】（3）--图像平滑处理和图像形态学

方世恩

已于 2024-09-19 14:26:00 修改

阅读量1.3k

点赞数 32

分类专栏： OpenCV 文章标签： opencv 人工智能计算机视觉 python 算法

于 2024-09-05 09:43:38 首次发布

本文链接：https://blog.csdn.net/m0_74896766/article/details/141922180

版权

OpenCV 专栏收录该内容

14 篇文章 0 订阅

订阅专栏

文章目录

OpenCV
图像平滑处理
图像形态学
总结

OpenCV

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习库，它主要用于实时图像处理和计算机视觉任务。

本篇所用图片数据：

链接:opencv训练数据
提取码:dzvx

图像平滑处理

1. 添加噪声

添加噪声与给图片打码有相似之处，即在一张图片随机改变几个点的像素值：

#自添加噪声
def add_noise(image,n = 1000):
    result = image.copy()
    w,h = image.shape[:2] #高 宽  高轴为y轴，宽轴为x轴
    for i in range(n):
        x = np.random.randint(1,h) #随机定位图片范围内的坐标点
        y = np.random.randint(1,w)
        #在0，1中随机抽一个数判断，要么白点要么黑点
        if np.random.randint(0,2) == 0:
            result[x,y] = 0
        else:
            result[x,y] = 255
    return result


a = cv2.imread('yifei.jpg')
image = cv2.resize(a,(400,400))
cv2.imshow('ori',image)
cv2.waitKey(0)

noise = add_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)

在这里插入图片描述

2. 均值滤波

在卷积核范围内，求像素点平均值，替换中心点的像素值值：

在这里插入图片描述

比如在上图中，一个3*3的卷积核，计算平均值替换中心点的值。

blur_1 = cv2.blur(noise,(3,3)) #(3,3):卷积核范围，3*3  ----> 卷积核一般为奇数范围，有中心位置替换
cv2.imshow('blur_1',blur_1)
cv2.waitKey(0)

blur_2 = cv2.blur(noise,(5,5))
cv2.imshow('blur_2',blur_2)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

我们可以发现，均值滤波对噪声点的处理不明显，效果较差。

3. 方框滤波

方框滤波：是指用当前像素点周围nxn个像素值的和来代替当前像素值。

参数：

 方框滤波
 boxFilter()中有参数：
 ddepth：表示深度，-1表示与原始图像深度相同
 normalize：表示图像是否要进行归一化。
     1、True：归一化，用邻域像素值的和除以面积，此时与均值滤波效果相同
     2、False：不归一化，直接使用邻域像素值的和，和>255时，使用255

boxFilter_1 = cv2.boxFilter(noise,-1,(3,3),normalize=True)
cv2.imshow('boxFilter_1',boxFilter_1)
cv2.waitKey(0)

boxFilter_2 = cv2.boxFilter(noise,-1,(3,3),normalize=False)
cv2.imshow('boxFilter_2',boxFilter_2)
cv2.waitKey(0)

在这里插入图片描述

方框滤波的效果也不太行哦~，效果不是很理想。

4. 高斯滤波

高斯滤波(Mean filtering)：对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。

在这里插入图片描述

#高斯滤波
GaussianB = cv2.GaussianBlur(noise,(3,3),1)
cv2.imshow('GaussianB',GaussianB)
cv2.waitKey(0)

在这里插入图片描述

效果不太行，有明显的像素点未处理，且图片模糊。

5. 中值滤波

中值滤波：会取当前像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值从小到大排序，然后将位于中间位置的像素值作为当前像素点的像素值。比如：

[0，48，56，95，128，130，212，215，250]选择的就是128。

#中值滤波
medianB = cv2.medianBlur(noise,5)
cv2.imshow('medianB',medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

我们看到，图片效果处理非常好呀！！噪声点基本都处理掉了。

图像形态学

什么是形态学：图像形态学是一种处理图像形状特征的图像处理技术，主要用于描述和处理图像中的形状和结构。形态学可以用于提取图像中的特征、消除噪声、改变图像的形状等。

1. 腐蚀

图像形态学中的腐蚀是一种基本的图像处理技术，它基于数学形态学原理，通过特定的结构元素对图像进行卷积操作，从而减小图像中物体的大小或去除物体的边界点。

# 1.腐蚀：cv2.erode()
sun = cv2.imread('sun.png')
cv2.imshow('sunn',sun)
cv2.waitKey(0)

# kernel：用于腐蚀的结构原件，设置大小
# iterations：图像腐蚀的次数
kernel = np.ones((3,3),np.uint8)
erosion_1 = cv2.erode(sun,kernel,iterations=1)
cv2.imshow('fushi',erosion_1)
cv2.waitKey(0)

腐蚀的次数越多，图片边界点被腐蚀的越严重。

在这里插入图片描述

图中可以明显的看到：太阳发散的线条被去除掉了，这就是腐蚀的效果。

2. 膨胀

图像形态学中的膨胀是一种重要的图像处理技术，它基于数学形态学原理，通过特定的结构元素对图像进行卷积操作，从而扩大图像中物体的大小或增加物体的边界点。

# 2.膨胀：cv2.dilate()
wenzi = cv2.imread('wenzi.png')
cv2.imshow('wz_ori',wenzi)
cv2.waitKey(0)

kernel = np.ones((3,3),np.uint8)
wenzi_new = cv2.dilate(wenzi,kernel,iterations=1)
cv2.imshow("pengzhang",wenzi_new)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

我们可以明显的看到，文字都膨胀加粗了，膨胀的效果比较明显。

3. 开运算

开运算：先腐蚀后膨胀 -- cv2.MORPH_OPEN()

# 开运算：先腐蚀后膨胀 -- cv2.MORPH_OPEN()
noise_zhiwen = cv2.imread('noise_zhiwen.png')
cv2.imshow('noise',noise_zhiwen)
cv2.waitKey(0)

kernel = np.ones((3,3),np.uint8)
k_zhiwen = cv2.morphologyEx(noise_zhiwen,cv2.MORPH_OPEN,kernel)
cv2.imshow('new_zhiwen',k_zhiwen)
cv2.waitKey(0)

在这里插入图片描述

对比两张图，可以发现图片先经过了腐蚀去除了噪声点，然后膨胀。

4. 闭运算

闭运算：先膨胀后腐蚀 -- cv2.MORPH_CLOSE()

#闭运算：先膨胀后腐蚀 -- cv2.MORPH_CLOSE()
zhiwen = cv2.imread('zhiwen.png')
cv2.imshow('zhiwen',zhiwen)
cv2.waitKey(0)

kernel = np.ones((5,5),np.uint8)
b_zhiwen = cv2.morphologyEx(zhiwen,cv2.MORPH_CLOSE,kernel)
cv2.imshow('b_zhiwen',b_zhiwen)
cv2.waitKey(0)

在这里插入图片描述

通过图片我们看见，闭运算后的指纹，断开出都连接在了一起。

5. 梯度运算

图像形态学中的梯度运算在边缘检测、轮廓提取、特征增强以及作为预处理步骤等方面发挥着重要作用。它不仅能够提高图像处理的效率和准确性，还能够为后续的图像分析和目标识别等任务提供有力的支持。

梯度运算：图像膨胀后减去图像腐蚀的结果 -- cv2.MORPH_GRADIENT()

wenzi = cv2.imread('wenzi.png')
cv2.imshow('wenzi',wenzi)
cv2.waitKey(0)

kernel = np.ones((3,3),np.uint8)
#膨胀
pz_wenzi = cv2.dilate(wenzi,kernel,iterations=2)
cv2.imshow('pz_wenzi',pz_wenzi)
cv2.waitKey(0)

#腐蚀
fs_wenzi = cv2.dilate(wenzi,kernel,iterations=1)
cv2.imshow('fs_wenzi',fs_wenzi)
cv2.waitKey(0)

#膨胀 - 腐蚀
bianyuan = cv2.morphologyEx(wenzi,cv2.MORPH_GRADIENT,kernel)
cv2.imshow('bianyuan',bianyuan)
cv2.waitKey(0)

在这里插入图片描述

从最后结果可以发现，梯度运算将膨胀的结果减去腐蚀的结果，可以得到文字的外轮廓，对于边缘检测、轮廓提取有明显作用。

6. 顶帽和黑帽

顶帽

顶帽操作是原始图像与开运算结果之间的差值。开运算是先进行腐蚀操作，再进行膨胀操作的过程。由于腐蚀操作会缩小图像中的高亮区域，而膨胀操作会恢复部分但不一定全部的高亮区域，因此开运算的结果往往比原始图像更平滑，去除了部分小细节。顶帽操作通过计算原始图像与开运算结果之间的差异，将这些被去除的小细节重新显现出来。

图像形态学中的顶帽操作在提取图像中的小细节、增强图像对比度、背景提取与分离等方面具有显著作用。通过合理选择和调整参数以及与其他技术的结合使用，顶帽操作可以在多种图像处理任务中发挥重要作用。

顶帽：原始图像 - 开运算结果（先腐蚀后膨胀） -- cv2.MORPH_TOPHAT()

sun = cv2.imread('sun.png')
cv2.imshow('sun_yuantu',sun)
cv2.waitKey(0)

# 设置kernel大小
kernel = np.ones((2,2),np.uint8)

# 顶帽：原始图像 - 开运算结果（先腐蚀后膨胀）
# cv2.MORPH_TOPHAT()

tophat = cv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel)
cv2.imshow('tophot',tophat)
cv2.waitKey(0)

在这里插入图片描述

黑帽

黑帽操作是闭运算结果与原始图像之间的差值。闭运算是先进行膨胀操作，再进行腐蚀操作的过程。由于膨胀操作会扩大图像中的高亮区域，而腐蚀操作会缩小这些区域，但不一定能完全恢复到原始状态，因此闭运算的结果往往比原始图像更平滑，填充了部分暗部细节。黑帽操作通过计算闭运算结果与原始图像之间的差异，将这些被填充的暗部细节重新显现出来。

图像形态学中的黑帽操作在突出图像中的暗部细节、增强图像对比度、背景与前景的分离等方面具有显著作用。通过合理选择和调整参数以及与其他技术的结合使用，黑帽操作可以在多种图像处理任务中发挥重要作用。

黑帽：闭运算（先膨胀后腐蚀） - 原始图像 -- cv2.MORPH_BLACKHAT

# 黑帽：闭运算（先膨胀后腐蚀） - 原始图像
# cv2.MORPH_BLACKHAT

blackhat = cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow('blackhat',blackhat)
cv2.waitKey(0)