OpenCV-Python(17):图像形态学操作

图灵追慕者

已于 2023-12-25 13:32:58 修改

阅读量551

点赞数 1

分类专栏： opencv-python 文章标签： opencv 膨胀形态学操作腐蚀开闭运算

于 2019-07-12 11:00:31 首次发布

该博客为作者原创，未经作者同意，仅供参阅，禁止转载。

本文链接：https://blog.csdn.net/mzl_18353516147/article/details/95591718

版权

opencv-python 专栏收录该内容

75 篇文章 12 订阅

订阅专栏

背景说明

形态学操作是图像处理中常用的一种操作，主要用于对图像进行形状和结构的改变。形态学操作常用于图像的降噪、边缘检测、图像分割等方面。在OpenCV中，形态学操作可以通过cv2模块中的函数来实现。

目标

学习不同的形态学操作，例如膨胀、腐蚀、开运算、闭运算等
我们学习的函数有cv2.erode()、cv2.dilate()、cv2.morphologyEx() 等

形态学操作原理

形态学操作是根据图像形状的简单操作。一般情况下对二值化图像的操作。需要输入两个参数，一个是原始图像，第二个称为结构化元素或核，它是用来决定操作的性的。两个基本的形态学操作是腐蚀和膨胀。他们的变体构成了开运算，闭运算、梯度等。我们会以下图为例来介绍它们。（白色是前景色，黑色是背景色）

腐蚀

原理

卷积核沿着图像滑动如果与卷积核对应的原图像的所有像素值是 1，那么中心元素就保持原来的像素值，否则就变为0。

效果

就像土壤腐蚀一样，该操作会把前景物体的边界腐蚀掉（但是前景色仍然是白色），边界会变得更加清晰。

影响

根据卷积核的大小，靠近前景色的所有像素都会腐掉变为0，所以前景物体会变小，整幅图像的白色区域会减少。对于去白噪声很有用，也可以用来断开两个连在一块的物体等。

示例

我们下面这个例子使用一个 5x5 的卷积核，其中所有的值是默认。我们看看他是如何工作的。所用函数为：cv2.erode()，该函数接受两个参数：输入图像和腐蚀的核大小。

import cv2 
import numpy as np
img = cv2.imread('j.png',0) 
kernel = np.ones((5,5),np.uint8) 
erosion = cv2.erode(img,kernel,iterations = 1)

结果：

膨胀

原理

与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是 1，中心元素的像素值就是 1。

效果

该操作会增加图像中的白色区域前景，使边界变得模糊。

作用

实际图像处理中先用腐蚀再用膨胀可以去除噪声。因为腐蚀在去掉白噪声的同时也会使前景相对变小，所以我们再对它膨胀，此时噪声已经去除了，不会再回来了，但是前景还在并会增加。膨胀也可以用来连接两个分开的物体。所用函数为：cv2.dilate()，该函数接受两个参数：输入图像和膨胀的核大小。

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

结果：

开运算

先进行腐蚀再膨胀就叫做开算。就像我们上介绍的样它用来去噪声。我们用到的函数是 cv2.morphologyEx()，该函数接受三个参数：输入图像、操作类型（cv2.MORPH_OPEN）和运算核大小。

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

结果：

闭运算

先膨胀再腐蚀。它经常用来填充前景物体中的小洞或者前景物体上的小点。该函数接受三个参数：输入图像、操作类型（cv2.MORPH_CLOSE）和运算核大小。

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

形态学梯度

图像形态学梯度是一种形态学操作，它可以用来检测图像中的边缘或轮廓。形态学梯度可以通过膨胀和腐蚀操作之间的差异来计算,(其实就是一幅图像膨胀与腐的差别) 结果看上去就像前景物体的轮廓。

形态学梯度的作用包括：

1.边缘检测：形态学梯度可以用来检测图像中的边缘或轮廓。由于形态学梯度突出了图像中的边界区域，因此在图像分割、目标检测等领域有广泛应用。

2.物体测量：形态学梯度可以用来测量物体的大小、形状和结构。通过计算形态学梯度，可以获取物体的边界信息，并进一步进行物体测量和分析。

3.形态学重建：形态学梯度可以用来进行形态学重建操作。形态学重建是一种基于形态学操作的图像处理技术，用于从图像中提取感兴趣的对象或区域。

4.形态学滤波：形态学梯度可以用来进行图像的滤波操作。通过选择合适的结构元素，可以实现对图像中的噪声或干扰的去除。

5.图像增强：形态学梯度可以用来增强图像的边缘或轮廓，从而使图像更加清晰和鲜明。

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

礼帽

原始图像与开运算之后得到的图像的差。主要实际应用场景如下：

检测亮区域：礼帽运算可以用来检测图像中的亮区域或亮斑。亮区域可能是图像中的目标物体、光源或者其他特定区域。
表面缺陷检测：礼帽运算可以用来检测表面缺陷，如划痕、凹陷等。通过与原始图像进行比较，可以突出表面缺陷的区域。
细胞核分析：在细胞核分析中，礼帽运算可以用来检测细胞核的亮区域，并进一步进行细胞核的分割和分析。

下的例子是用一个 9x9 的核礼帽操作的结果。

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

黑帽

进行闭运算之后得到的图像与原始图像的差。主要用途如下：

检测暗区域：黑帽运算可以用来检测图像中的暗区域或暗斑。暗区域可能是图像中的阴影、污渍或者其他特定区域。
文字图像分割：在文字图像分割中，黑帽运算可以用来检测文字的阴影或背景干扰。通过与原始图像进行比较，可以突出文字区域。
血管分割：在医学图像处理中，黑帽运算可以用来分割血管。血管通常呈现为暗区域，通过黑帽运算可以突出血管的形状和位置

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

形态学操作之间的关系

结构化元素

在前的例子中我们使用 Numpy 构建的结构化元素它是正方形的。有时我们需要构建一个椭圆形/圆形的核。为了实现这种需求。OpenCV 提供了函数 cv2.getStructuringElement()。你只告他你的核的形状和大小就可以。

# Rectangular Kernel
>>> cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
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)

# Elliptical Kernel
>>> cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
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)

# Cross-shaped Kernel
>>> cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
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)