前言
开操作和闭操作都是基于膨胀和腐蚀操作组合形成的。先腐蚀再膨胀就是开操作,先膨胀再腐蚀就是闭操作了。用开操作可以去除噪声,也可以提取水平或者垂直的直线。闭操作将错误分开成小片的物体从新连接成一个整体。而开操作则是去除一小块的噪点。
开操作:
开操作 = 腐蚀+膨胀 ,输入图像 + 结构元素
作用:主要是应用在二值图像分析中,灰度图像亦可;用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积.提取水平或竖直的线
闭操作:
开操作 = 膨胀+腐蚀 ,输入图像 + 结构元素
作用:主要是应用在二值图像分析中,灰度图像亦可;用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。
正文
这里演示一下使用开操作来去除对应的水平或垂直线
开操作
去除水平线效果图
code
def open_demo(image):
gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY_INV|cv.THRESH_OTSU)
cv.imshow("binary image",binary)
kernel = cv.getStructuringElement(cv.MORPH_RECT,(1,15))
morphoImage = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel)
cv.imshow("morphoImage",morphoImage)
去除垂直线效果图
code
def open_demo(image):
gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY_INV|cv.THRESH_OTSU)
cv.imshow("binary image",binary)
kernel = cv.getStructuringElement(cv.MORPH_RECT,(15,1))
morphoImage = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel)
cv.imshow("morphoImage",morphoImage)
其实就只要修改里面的那个kernel就可以了。
若是要去除斜线,则将那个kernel直接修改成(3,3)即可。
闭操作
我尝试了一下,也是可以实现对应的效果的。
效果图
code
def close_demo(image):
gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)
cv.imshow("binary image",binary)
kernel = cv.getStructuringElement(cv.MORPH_RECT,(1,15))
morphoImage = cv.morphologyEx(binary,cv.MORPH_CLOSE,kernel)
cv.imshow("morphoImage",morphoImage)
其他形态学操作
顶帽
又称礼帽,是原始图像与进行开运算之后得到的图像的差。
因为开运算到来的结果是放大了裂痕或者局部低亮度的区域,因此,从原图中减去运算后的图,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。
顶帽运算往往用来分离比邻近点亮一些的斑块。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。
code
def top_hatDemo(image):
print(image.shape)
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
cv.imshow("binary", gray)
kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3)) # 如果提取的是圆形,那么使用的是MORPH_ELLIPSE
morphoImage = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel)
cImage = np.array(gray.shape,np.uint8)
cImage = 100;
morphoImage = cv.add(cImage,morphoImage)
cv.imshow("top_hatDemo morphoImage", morphoImage)
这里为了让现实的图片更加清楚一些,做了一个add的动作。
效果图
闭帽
又称为黑帽。是进行闭运算以后得到的图像与原图像的差。黑帽运算之后的效果图突出了与原图像轮廓周围的区域更暗的区域,且这一操作和选择的核大小相关。所以黑帽运算用来分离比邻近点暗一些的斑块。
code
def black_hatDemo(image):
print(image.shape)
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
cv.imshow("binary", gray)
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5)) # 如果提取的是圆形,那么使用的是MORPH_ELLIPSE
morphoImage = cv.morphologyEx(gray, cv.MORPH_BLACKHAT, kernel)
cImage = np.array(gray.shape,np.uint8)
cImage = 100;
morphoImage = cv.add(cImage,morphoImage)
cv.imshow("black_hatDemo morphoImage", morphoImage)
效果图
还可以用在检在不良品。例如下图:
梯度
基本梯度
效果图
code
def hat_binaryDemo(image):
print(image.shape)
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
cv.imshow("binary", gray)
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5)) # 如果提取的是圆形,那么使用的是MORPH_ELLIPSE
morphoImage = cv.morphologyEx(gray, cv.MORPH_GRADIENT, kernel)
cImage = np.array(gray.shape,np.uint8)
cImage = 100;
morphoImage = cv.add(cImage,morphoImage)
cv.imshow("black_hatDemo morphoImage", morphoImage)
内外梯度
效果图
code
def gradient2_demo(image):
kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))
dm = cv.dilate(image,kernel)
em = cv.erode(image,kernel)
dst1 = cv.subtract(image,em)
dst2 = cv.subtract(dm,image)
cv.imshow("internel",dst1)
cv.imshow("external",dst2)