开运算与闭运算(python-＞opencv)-CSDN博客

本文链接：https://blog.csdn.net/weixin_39475026/article/details/147573761

开：先腐蚀，再膨胀

img = cv2.imread('dige.png')

kernel = np.ones((5,5),np.uint8)

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

cv2.imshow('opening', opening)

cv2.waitKey(0)

cv2.destroyAllWindows()

闭：先膨胀，再腐蚀

img = cv2.imread('dige.png')

kernel = np.ones((5,5),np.uint8)

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

cv2.imshow('closing', closing)

cv2.waitKey(0)

cv2.destroyAllWindows()

展示了如何使用OpenCV进行形态学操作中的开运算和闭运算。形态学操作是图像处理中的一种技术，主要用于去除噪声、分割对象、填充孔洞等。

开运算（Opening）

开运算是先进行腐蚀（Erosion），然后再进行膨胀（Dilation），主要用于去除图像中的小噪声。使用开运算可以去除较小的白色噪声点，同时保留大部分的前景物体。

闭运算（Closing）

闭运算是先进行膨胀（Dilation），然后再进行腐蚀（Erosion），主要用于填充图像中的小孔洞。使用闭运算可以连接断开的物体、填补前景物体中的小孔洞。

代码解释

你提供的代码已经很好地实现了这两种操作。为了使代码更清晰，我将其组织为两个独立的部分，分别展示开运算和闭运算。代码示例如下：

import cv2 import numpy as np # 读取图像 img = cv2.imread('dige.png') if img is None: print("Error: Unable to read the image.") exit() # 创建卷积核 kernel = np.ones((5, 5), np.uint8) # 进行开运算 opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) # 显示结果 cv2.imshow('Opening', opening) cv2.waitKey(0) cv2.destroyAllWindows()

闭运算（Closing）

import cv2 import numpy as np # 读取图像 img = cv2.imread('dige.png') if img is None: print("Error: Unable to read the image.") exit() # 创建卷积核 kernel = np.ones((5, 5), np.uint8) # 进行闭运算 closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) # 显示结果 cv2.imshow('Closing', closing) cv2.waitKey(0) cv2.destroyAllWindows()

解释

读取图像并检查是否成功读取

：

img = cv2.imread('dige.png') if img is None: print("Error: Unable to read the image.") exit()

每次读取图像后检查图像是否成功加载。如果图像读取失败，程序将输出错误信息并终止。

创建卷积核

：

kernel = np.ones((5, 5), np.uint8)

创建一个大小为5x5的卷积核，所有元素的值都为1。这个核将用于形态学操作。

进行形态学操作

：

开运算

：

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

使用 cv2.morphologyEx 函数进行开运算。cv2.MORPH_OPEN 表示开运算。

闭运算

：

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

使用 cv2.morphologyEx 函数进行闭运算。cv2.MORPH_CLOSE 表示闭运算。

显示结果

：

使用 OpenCV 的 imshow 函数显示操作结果，并等待用户按下键盘任意键后关闭所有窗口：

cv2.imshow('Opening', opening) cv2.waitKey(0) cv2.destroyAllWindows()

cv2.imshow('Closing', closing) cv2.waitKey(0) cv2.destroyAllWindows()

总结

通过以上代码，你可以看到开运算和闭运算在图像处理中的效果。开运算用于去除小的白色噪声点，闭运算用于填充前景物体中的小孔洞。

细说一下里面卷积核的计算：

好的，让我们更详细地探讨卷积核在形态学操作中的作用和计算过程。

卷积核（Kernel）

卷积核是一个小矩阵，用于扫描图像并针对覆盖区域进行特定操作。常见的卷积核通常是方形的，例如 3x3、5x5，在你的代码中使用的是 5x5 的卷积核。

kernel = np.ones((5, 5), np.uint8)

这个卷积核是一个 5x5 大小的矩阵，所有元素都为1。其类型为无符号8位整数（np.uint8）。

形态学操作

形态学操作包括腐蚀（Erosion）和膨胀（Dilation），以及由这两个基本操作组合而成的开运算（Opening）和闭运算（Closing）。这两种操作的计算过程如下：

腐蚀（Erosion）

腐蚀操作的目的是缩小前景对象。具体过程如下：

卷积核移动：将卷积核放在图像上的某个位置。
最小值替换：计算卷积核覆盖区域内所有像素的最小值，并将该最小值替换中心像素值。

例如，假设图像是 8x8，卷积核是 3x3：

原图像： [[ 1, 2, 3, 4, 5, 6, 7, 8], [ 2, 3, 4, 5, 6, 7, 8, 9], [ 3, 4, 5, 6, 7, 8, 9, 10], [ 4, 5, 6, 7, 8, 9, 10, 11], [ 5, 6, 7, 8, 9, 10, 11, 12], [ 6, 7, 8, 9, 10, 11, 12, 13], [ 7, 8, 9, 10, 11, 12, 13, 14], [ 8, 9, 10, 11, 12, 13, 14, 15]] 3x3卷积核移动到某个位置，例如左上角： [[ 1, 2, 3], [ 2, 3, 4], [ 3, 4, 5]]

在这个位置，最小值是1，将这个值替换中心像素（即图像的(1,1)位置）。

膨胀（Dilation）

膨胀操作的目的是扩展前景对象。具体过程如下：

卷积核移动：将卷积核放在图像上的某个位置。
最大值替换：计算卷积核覆盖区域内所有像素的最大值，并将该最大值替换中心像素值。

例如，假设图像是 8x8，卷积核是 3x3：

在这个位置，最大值是5，将这个值替换中心像素（即图像的(1,1)位置）。

开运算（Opening）

开运算是先腐蚀后膨胀：

腐蚀：削减前景物体，去除小的白色噪声点。
膨胀：恢复腐蚀后的前景物体，使其保持原来的形状和大小。

闭运算（Closing）

闭运算是先膨胀后腐蚀：

膨胀：扩展前景物体，填充小孔洞。
腐蚀：恢复膨胀后的前景物体，使其保持原来的形状和大小。

示例代码

以下是使用卷积核进行开运算和闭运算的代码示例：

import cv2 import numpy as np # 读取图像 img = cv2.imread('dige.png') if img is None: print("Error: Unable to read the image.") exit() # 创建卷积核 kernel = np.ones((5, 5), np.uint8) # 进行开运算 opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) cv2.imshow('Opening', opening) cv2.waitKey(0) cv2.destroyAllWindows() # 进行闭运算 closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) cv2.imshow('Closing', closing) cv2.waitKey(0) cv2.destroyAllWindows()

通过这些操作，你可以去除图像中的噪声或填补图像中的孔洞，从而获得更干净的图像。希望这些解释能帮助你理解卷积核在形态学操作中的计算过程。如果你有更多问题或需要进一步的解释，请随时提问！

梯度=膨胀-腐蚀

pie = cv2.imread('pie.png')

kernel = np.ones((7,7),np.uint8)

dilate = cv2.dilate(pie,kernel,iterations = 5)

erosion = cv2.erode(pie,kernel,iterations = 5)

res = np.hstack((dilate,erosion))

cv2.imshow('res', res)

cv2.waitKey(0)

cv2.destroyAllWindows()

你已经展示了如何进行膨胀和腐蚀操作，并将结果水平堆叠在一起显示。然而，如果你希望计算图像的梯度（即膨胀图像与腐蚀图像之间的差异），你需要执行一个减法操作。梯度可以突出显示图像的边缘。

这里是修改后的代码，它计算梯度并显示结果：

import cv2 import numpy as np # 读取图像 pie = cv2.imread('pie.png') if pie is None: print("Error: Unable to read the image.") exit() # 创建卷积核 kernel = np.ones((7, 7), np.uint8) # 进行膨胀操作 dilate = cv2.dilate(pie, kernel, iterations=5) # 进行腐蚀操作 erosion = cv2.erode(pie, kernel, iterations=5) # 计算梯度 gradient = cv2.subtract(dilate, erosion) # 显示膨胀、腐蚀和梯度图像 res = np.hstack((dilate, erosion, gradient)) cv2.imshow('Results: Dilate | Erode | Gradient', res) cv2.waitKey(0) cv2.destroyAllWindows()

解释

读取图像并检查是否成功读取

：

pie = cv2.imread('pie.png') if pie is None: print("Error: Unable to read the image.") exit()

创建卷积核

：

kernel = np.ones((7, 7), np.uint8)

进行膨胀操作

：

dilate = cv2.dilate(pie, kernel, iterations=5)

进行腐蚀操作

：

erosion = cv2.erode(pie, kernel, iterations=5)

计算梯度

：

gradient = cv2.subtract(dilate, erosion)

使用 cv2.subtract 函数计算膨胀图像和腐蚀图像之间的差异，得到梯度图像。

显示膨胀、腐蚀和梯度图像

：

res = np.hstack((dilate, erosion, gradient)) cv2.imshow('Results: Dilate | Erode | Gradient', res) cv2.waitKey(0) cv2.destroyAllWindows()

将膨胀图像、腐蚀图像和梯度图像水平堆叠在一起，并显示结果。

这个代码会显示一个窗口，其中包含膨胀图像、腐蚀图像和梯度图像的对比。膨胀图像将对象的边缘扩展，而腐蚀图像将边缘收缩。梯度图像将显示对象边缘的差异，突出显示边缘信息。

希望这解释清楚了梯度的计算过程以及如何在图像中显示它！如果你有更多问题，请随时提问。

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

cv2.imshow('gradient', gradient)

cv2.waitKey(0)

cv2.destroyAllWindows()

你提供的代码通过调用OpenCV的 cv2.morphologyEx 函数并使用 cv2.MORPH_GRADIENT 形态学操作符来计算图像的梯度。这种方法简化了之前手动计算梯度（膨胀减去腐蚀）的过程。下面是更详细的解释以及完整的代码范例：

代码说明

import cv2 import numpy as np # 读取图像 pie = cv2.imread('pie.png') if pie is None: print("Error: Unable to read the image.") exit() # 创建卷积核 kernel = np.ones((7, 7), np.uint8) # 计算梯度 gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel) # 显示梯度图像 cv2.imshow('Gradient', gradient) cv2.waitKey(0) cv2.destroyAllWindows()

详细解释

读取图像

：

pie = cv2.imread('pie.png') if pie is None: print("Error: Unable to read the image.") exit()

读取名为 pie.png 的图像，并检查是否成功读取。如果失败，打印错误消息并退出程序。

创建卷积核

：

kernel = np.ones((7, 7), np.uint8)

创建一个 7x7 大小的卷积核，所有元素均为1，类型为无符号8位整数。

计算梯度

：

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

使用 cv2.morphologyEx 函数计算形态学梯度，cv2.MORPH_GRADIENT 操作符会自动执行膨胀减去腐蚀的操作。这一步可以突出显示图像中的边缘。

显示梯度图像

：

cv2.imshow('Gradient', gradient) cv2.waitKey(0) cv2.destroyAllWindows()

使用OpenCV的 cv2.imshow 函数显示计算得到的梯度图像，并等待一个按键事件。按下任意键后，关闭所有OpenCV窗口。

总结

使用 cv2.morphologyEx 函数结合 cv2.MORPH_GRADIENT 形态学操作符，可以简化梯度计算过程，并直接获得包含边缘信息的梯度图像。这样不仅代码更简洁，而且效率更高。

希望这些解释能帮助你更好地理解这段代码。如果你有任何进一步的问题或需要更多相关信息，请随时提问！

这个梯度对杂质的处理是怎样的？

形态学梯度在处理图像中的杂质时具有一定的特点和局限性。为了理解梯度对杂质的处理效果，我们需要深入探讨形态学梯度的工作原理以及在不同情况下的表现。

形态学梯度的工作原理

形态学梯度是通过以下公式计算的：

[ \text{Gradient} = \text{Dilation} - \text{Erosion} ]

膨胀（Dilation）：将图像中的每个像素替换为其邻域中的最大值。膨胀操作会使物体的边界向外扩展，填补小的孔洞，并连接断开的部分。
腐蚀（Erosion）：将图像中的每个像素替换为其邻域中的最小值。腐蚀操作会使物体的边界向内收缩，去除小的噪声点和孤立像素。

通过计算膨胀和腐蚀的差值，形态学梯度可以有效地提取图像中的边缘。

杂质处理效果

小的噪声点和孤立像素

：

腐蚀操作会去除图像中的小噪声点和孤立像素，但也会使边界收缩。
膨胀操作会填补小孔洞，连接断开的部分，但也会使边界扩展。
形态学梯度结合了这两者的操作，能够突出主要的边缘结构，但对于非常小的噪声点，可能仍然会保留一些。

较大的杂质

：

较大的杂质在膨胀和腐蚀操作下可能会部分保留。这取决于杂质的大小和形状以及使用的卷积核大小。
使用较大的卷积核能够更有效地去除较大杂质，但同时也会影响到图像中的细节。

示例代码

以下示例代码展示了如何使用形态学梯度来处理图像中的边缘，并比较不同卷积核大小对杂质处理的效果：

import cv2 import numpy as np # 读取图像 img = cv2.imread('image_with_noise.png', cv2.IMREAD_GRAYSCALE) if img is None: print("Error: Unable to read the image.") exit() # 创建不同大小的卷积核 kernels = [np.ones((3, 3), np.uint8), np.ones((7, 7), np.uint8), np.ones((11, 11), np.uint8)] # 计算不同卷积核下的形态学梯度 gradients = [cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel) for kernel in kernels] # 显示原始图像和不同卷积核下的梯度图像 cv2.imshow('Original Image', img) cv2.imshow('Gradient 3x3', gradients[0]) cv2.imshow('Gradient 7x7', gradients[1]) cv2.imshow('Gradient 11x11', gradients[2]) cv2.waitKey(0) cv2.destroyAllWindows()

解释

读取图像

：

img = cv2.imread('image_with_noise.png', cv2.IMREAD_GRAYSCALE) if img is None: print("Error: Unable to read the image.") exit()

读取含有噪声的图像，并转换为灰度图。如果读取失败，打印错误消息并退出程序。

创建不同大小的卷积核

：

kernels = [np.ones((3, 3), np.uint8), np.ones((7, 7), np.uint8), np.ones((11, 11), np.uint8)]

创建不同大小的卷积核，分别为 3x3、7x7 和 11x11。

计算不同卷积核下的形态学梯度

：

gradients = [cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel) for kernel in kernels]

使用 cv2.morphologyEx 函数结合 cv2.MORPH_GRADIENT 操作符，计算不同卷积核大小下的形态学梯度。

显示结果

：

cv2.imshow('Original Image', img) cv2.imshow('Gradient 3x3', gradients[0]) cv2.imshow('Gradient 7x7', gradients[1]) cv2.imshow('Gradient 11x11', gradients[2]) cv2.waitKey(0) cv2.destroyAllWindows()

使用 OpenCV 的 cv2.imshow 函数显示原始图像和不同卷积核大小下的梯度图像，并等待一个按键事件。按下任意键后，关闭所有OpenCV窗口。