python+opencv图像形态学处理
本篇博客主要是关于形态学中的腐蚀、膨胀、开运算、闭运算、礼帽和黑帽的函数用法。
内容会比较,为方便查阅。代码的解释会写在代码中。
用于测试的图像原图:
一、腐蚀
关于腐蚀就是将图像的边界腐蚀掉,或者说使得图像整体上看起来变瘦了。它的操作原理就是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都是1,那么中心元素保持原来的值,否则就变为0。这对于去除白噪声很有用,也可以用于断开两个连载一起的物体。
通俗的讲,腐蚀操作就是让图像整体看起来瘦一点。
但是老猫发现,这句话并不完全正确,腐蚀操作不一定会让图像变瘦,有可能还会让它变胖。
例如:
1 #腐蚀
2 #读取图像
3 img1=cv.imread("oldcat.jpg")4
5 #将图像进行反向二值化操作,即将白色部分变为黑色,黑色部分变为白色
6 #ret,img2=cv.threshold(img1,80,255,cv.THRESH_BINARY_INV)
7
8 #定义一个3*3的卷积核
9 kernel=np.ones((3,3),np.uint8)10
11 #图像腐蚀:cv2.erode(输入图像,卷积核,iterations=腐蚀的次数)
12 erosion=cv.erode(img1,kernel,iterations=1)13
14 #在图像上添加文本,方便分清每个操作相对应的图像
15 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8)16 cv.putText(erosion,"erosion",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8)17
18 #将原图像和腐蚀操作的图像放在同一个窗口显示
19 glay=np.hstack((img1,erosion))20 cv.imshow("glay",glay)21 cv.waitKey(0)22 cv.destroyAllWindows()
效果图:
可以发现:
相比于原图,腐蚀并没有变瘦,反而还“胖”了。
原因:
形态学处理是一个对二值化灰度图像的处理,主要是对白色图像的一个卷积操作。
由于原图字体是黑色,底色为白色,所以在进行腐蚀操作的时候,卷积核中只要有一个点为0,卷积核的中心点也会为0。
解决方法:
对原图像进行一个反向二值化处理,即将白色部分变为黑色,黑色部分变为白色
去掉上面代码ret,img2=cv.threshold(img,80,255,cv.THRESH_BINARY_INV)的注释,同时将erosion=cv.erode(img1,kernel,iterations=1)改为erosion=cv.erode(img2,kernel,iterations=1)
效果图:
如图所示:这样腐蚀处理的图像才会变瘦
二、膨胀
膨胀:卷积核所对应的原图像的像素值只要有一个是1,中心像素值就是1。一般在除噪是,先腐蚀再膨胀,因为腐蚀在去除白噪声的时候也会使图像缩小,所以我们之后要进行膨胀。当然也可以用来将两者物体分开。
例如:
1 importnumpy as np2 importcv2 as cv3 #膨胀
4 #读取图像
5 img1=cv.imread("oldcat.jpg",0)6
7 #将图像进行反向二值化操作,即将白色部分变为黑色,黑色部分变为白色
8 ret,img2=cv.threshold(img1,80,255,cv.THRESH_BINARY_INV)9
10 #定义一个3*3的卷积核
11 kernel=np.ones((3,3),np.uint8)12
13 #图像腐蚀:cv2.dilate(输入图像,卷积核,iterations=腐蚀的次数)
14 dilation=cv.dilate(img2,kernel,iterations=1)15
16 #在图像上添加文本,方便分清每个操作相对应的图像
17 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8)18
19 #将原图像和膨胀操作的图像放在同一个窗口显示
20 glay=np.hstack((img1,dilation))21 cv.imshow("glay",glay)22 cv.waitKey(0)23 cv.destroyAllWindows()
效果图:
腐蚀和膨胀是比较简单的。
三、开运算
了解形态学基本处理的同学都知道,开运算和闭运算就是将腐蚀和膨胀按照一定的次序进行处理。但这两者并不是可逆的,即先开后闭并不能得到原先的图像。
例如:
1 importnumpy as np2 importcv2 as cv3 #开运算
4 #先腐蚀,再膨胀
5 img1=cv.imread("oldcat.jpg",0)6 #反二值化,小于127设为255,即黑变白;大于127的设为 0,即白变黑。
7 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV)8
9 #定义一个3*3的卷积核
10 kernel=np.ones((3,3),np.uint8)11
12 #开运算
13 opening2=cv.morphologyEx(img2,cv.MORPH_OPEN,kernel)14
15 #在图像上添加文本,方便分清每个操作相对应的图像
16 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8)17
18 #将原图像和开运算操作的图像放在同一个窗口显示
19 glay=np.hstack((img1,opening2))20 cv.imshow("glay",glay)21 cv.waitKey(0)22 cv.destroyAllWindows()
效果图:
四、闭运算
闭运算:就是先膨胀,后腐蚀,也是不可逆的。
1 importnumpy as np2 importcv2 as cv3 #闭运算
4 #先膨胀,后腐蚀
5 img1=cv.imread("oldcat.jpg",0)6 #反二值化,小于127设为255,即黑变白;大于127的设为 0,即白变黑。
7 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV)8
9 #定义一个3*3的卷积核
10 kernel=np.ones((3,3),np.uint8)11
12 #闭运算
13 closing=cv.morphologyEx(img2,cv.MORPH_CLOSE,kernel)14
15 #在图像上添加文本,方便分清每个操作相对应的图像
16 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8)17
18 #将原图像和闭运算操作的图像放在同一个窗口显示
19 glay=np.hstack((img1,closing))20 cv.imshow("glay",glay)21 cv.waitKey(0)22 cv.destroyAllWindows()
效果图:
五、梯度运算
梯度运算,类似于提取轮廓。梯度=膨胀-腐蚀
例如:
1 importnumpy as np2 importcv2 as cv3 #梯度运算,类似于提取轮廓
4 #梯度=膨胀-腐蚀
5 img1=cv.imread("oldcat.jpg",0)6
7 #反二值化,小于127设为255,即黑变白;大于127的设为 0,即白变黑。
8 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV)9
10 #定义一个3*3的卷积核
11 kernel=np.ones((3,3),np.uint8)12
13 #梯度运算
14 gradient=cv.morphologyEx(img2,cv.MORPH_GRADIENT,kernel)15
16 #在图像上添加文本,方便分清每个操作相对应的图像
17 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8)18
19 #将原图像和梯度运算操作的图像放在同一个窗口显示
20 glay=np.hstack((img1,gradient))21 cv.imshow("glay",glay)22 cv.waitKey(0)23 cv.destroyAllWindows()
效果图:
六、礼帽
礼帽就是原始初入减去开运算结果
例如:
1 importnumpy as np2 importcv2 as cv3 #礼帽,小线条
4 #礼帽=原始输入-运算结果
5 img1=cv.imread("oldcat.jpg",0)6 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV)7 kernel=np.ones((3,3),np.uint8)8
9 #礼帽
10 tophat=cv.morphologyEx(img2,cv.MORPH_TOPHAT,kernel)11
12 #在图像上添加文本,方便分清每个操作相对应的图像
13 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8)14
15 #将原图像和礼帽运算操作的图像放在同一个窗口显示
16 glay=np.hstack((img1,tophat))17 cv.imshow("glay",glay)18 cv.waitKey(0)19 cv.destroyAllWindows()
效果图:
七、黑帽
黑帽=闭运算-原始输入
例如:
1 importnumpy as np2 importcv2 as cv3 #黑帽。只能看见大概轮廓
4 #黑帽=闭运算-原始输入
5 img1=cv.imread("oldcat.jpg",0)6 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV)7 kernel=np.ones((3,3),np.uint8)8
9 #黑帽
10 blackhat=cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel)11
12 #在图像上添加文本,方便分清每个操作相对应的图像
13 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8)14
15 #将原图像和开运算操作的图像放在同一个窗口显示
16 glay=np.hstack((img1,blackhat))17 cv.imshow("glay",glay)18 cv.waitKey(0)19 cv.destroyAllWindows()
效果图:
八、总结
本篇博客主要是关于图像形态学处理,文字描述虽然不多,但是每一行代码都有解释,并且每一个运算处理的效果图都有原图和处理后的图像对比。
图像形态学处理是针对灰度图的,所以在读取原图的过程中,直接关闭了颜色通道,虽然方便但也有不足,就是图像上,添加的文字信息也会失去颜色。具体可以观察腐蚀处理和膨胀处理再读取代码上的区别。
为了方便更容易理解,我是将原图进行了一个二值化反色处理,再进行相应的形态学处理。若不进行二值化反色处理,结果是跟我的效果图是不一样的。具体就是将代码中的二值化处理代码去掉,大家可以试一试,对比观察,更深的理解形态学处理是什么实现的。
实践出真知,博客的代码很完整,但还需要自己实际写一遍才能更加理解。