前言
• 学习不同的形态学操作,例如腐蚀,膨胀,开运算,闭运算等
• 我们要学习的函数有:cv2.erode(),cv2.dilate(),cv2.morphologyEx()等
原理
形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数,一个是原始图像,第二个被称为结构化元素或核,它是用来决定操作的性质的。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。我们会以下图为例逐一介绍它们。
一、腐蚀
就像土壤侵蚀一样,这个操作会把前景物体的边界腐蚀掉(但是前景仍然是白色)。这是怎么做到的呢?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,那么中心元素就保持原来的像素值,否则就变为零。
这回产生什么影响呢?根据卷积核的大小靠近前景的所有像素都会被腐蚀掉(变为 0),所以前景物体会变小,整幅图像的白色区域会减少。这对于去除白噪声很有用,也可以用来断开两个连在一块的物体等。
这里我们有一个例子,使用一个 5x5 的卷积核,其中所有的值都是以。让我们看看他是如何工作的:
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('j.png', 0)
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.erode(img, kernel, iterations=1)
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("Original")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.subplot(122)
plt.imshow(erosion, cmap="gray")
plt.title("erosion")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.show()
二、膨胀
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。所以这个操作会增加图像中的白色区域(前景)。一般在去噪声时先用腐蚀再用膨胀。因为腐蚀在去掉白噪声的同时,也会使前景对象变小。所以我们再对他进行膨胀。这时噪声已经被去除了,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。
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('j.png', 0)
kernel = np.ones((5, 5), np.uint8)
dilation = cv2.dilate(img, kernel, iterations = 1)
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("Original")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.subplot(122)
plt.imshow(dilation, cmap="gray")
plt.title("dilation")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.show()
三、开运算
先进性腐蚀再进行膨胀就叫做开运算。就像我们上面介绍的那样,它被用来去除噪声。这里我们用到的函数是 cv2.morphologyEx()。
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('j_1.png', 0)
kernel = np.ones((5, 5), np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("Original")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.subplot(122)
plt.imshow(opening, cmap="gray")
plt.title("opening")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.show()
四、闭运算
先膨胀再腐蚀。它经常被用来填充前景物体中的小洞,或者前景物体上的小黑点。
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('j_2.png', 0)
kernel = np.ones((5, 5), np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("Original")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.subplot(122)
plt.imshow(closing, cmap="gray")
plt.title("opening")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.show()
五、形态学梯度
其实就是一幅图像膨胀与腐蚀的差别。结果看上去就像前景物体的轮廓。
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('j.png', 0)
kernel = np.ones((5, 5), np.uint8)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("Original")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.subplot(122)
plt.imshow(gradient, cmap="gray")
plt.title("gradient")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.show()
六、礼帽
原始图像与进行开运算之后得到的图像的差。下面的例子是用一个 9x9 的核进行礼帽操作的结果。
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('j.png', 0)
kernel = np.ones((9, 9), np.uint8)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) # 原始图像与进行开运算之后得到的图像的差
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("Original")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.subplot(122)
plt.imshow(tophat, cmap="gray")
plt.title("tophat")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.show()
七、黑帽
进行闭运算之后得到的图像与原始图像的差。
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('j.png', 0)
kernel = np.ones((9, 9), np.uint8)
blackhat = cv2.morphologyEx(img, cv2. MORPH_BLACKHAT, kernel) # 进行闭运算之后得到的图像与原始图像的差
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("Original")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.subplot(122)
plt.imshow(blackhat, cmap="gray")
plt.title("blackhat")
plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis
plt.show()
八、形态学操作之间的关系
我们把以上集中形态学操作之间的关系列出来以供大家参考:
九、结构化元素
在前面的例子中我们使用 Numpy 构建了结构化元素,它是正方形的。但有时我们需要构建一个椭圆形/圆形的核。为了实现这种要求,提供了 OpenCV函数 cv2.getStructuringElement()。你只需要告诉他你需要的核的形状和大小。
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)