Opencv学习（3）——形态学操作

形态学操作

导入库

import cv2
import numpy as np

原始图像

形态学腐蚀

可以通过腐蚀操作将图像”变瘦“
通过cv2.erode( image,kernel,iterations)函数 可以实现
image:要操作的图片
kernel：腐蚀的核函数
iterations：迭代次数,迭代次数越多，图像越不明显

img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel=kernel,iterations=1)
#iterations是迭代次数,迭代次数越多，图像越不明显

可以看到周围的细线条消失了，并且图像变细

形态学膨胀

可以通过膨胀操作将图像”变胖“
通过cv2.dilate( image,kernel,iterations)函数 可以实现
image:要操作的图片
kernel：膨胀的核函数
iterations：迭代次数,迭代次数越多，图像越明显

img = cv2.imread('dige.png')
kernal = np.ones((3,3),np.uint8)
dilate = cv2.dilate(erosion,kernel=kernal,iterations=1)

可以看出，图像整体变粗

开运算与闭运算

开运算：先腐蚀再膨胀

 img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)

可以看出开运算后的图像，相比与原来的图像线条粗细没有变化，只是少了周围的细线条

闭运算：先膨胀再腐蚀

img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8)
closeing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

梯度运算：先把原图像膨胀和腐蚀得到两个图像，然后梯度图像 = 膨胀图像 - 腐蚀图像

pie = cv2.imread('pie.png')
kernel = np.ones((7,7),np.uint8)
gradient = cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel)

这里以一个圆的图像为例子

原图像是这样的
经过梯度运算后只保留了边框出来

礼帽和黑帽

礼帽 = 原始输入 - 开运算结果
取出亮度低的地方

黑帽 = 闭运算 - 原始输入
取出亮度高的地方

img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8)
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
black = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)