Opencv4 -Python官方教程学习笔记13---形态学转换

目标

学习不同的形态学操作：侵蚀，膨胀，开闭运算。将学习以下函数：cv.erode(),cv.dilate(), cv.morphologyEx()等。

理论

形态变换是一些基于图像形状的简单操作。通常在二进制图像上执行。它需要两个输入，一个是我们的原始图像，第二个是决定操作性质的结构元素或内核。两种基本的形态学算子是侵蚀和膨胀。然后，它的变体形式（如“打开”，“关闭”，“渐变”等）也开始起作用。在下图的帮助下，我们将一一看到它们：
原图：

1.侵蚀

内核滑动通过图像(在2D卷积中)。原始图像中的一个像素(无论是1还是0)只有当内核下的所有像素都是1时才被认为是1，否则它就会被侵蚀(变成0)。
结果是，根据内核的大小，边界附近的所有像素都会被丢弃。因此，前景物体的厚度或大小减小，或只是图像中的白色区域减小。它有助于去除小的白色噪声(正如我们在颜色空间章节中看到的)，分离两个连接的对象等。

代码展示：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path = r'D:\Laboratory\Study\Computer Vision\opencv4-python\qingshi.png'
img = cv.imread(path,0)
kernel = np.ones((5,5),np.uint8)
erosion = cv.erode(img,kernel,iterations = 1)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

腐蚀结果

2.扩张

它与侵蚀正好相反。如果内核下的至少一个像素为“ 1”，则像素元素为“ 1”。因此，它会增加图像中的白色区域或增加前景对象的大小。通常，在消除噪音的情况下，腐蚀后会膨胀。因为腐蚀会消除白噪声，但也会缩小物体。因此，我们对其进行了扩展。由于噪音消失了，它们不会回来，但是我们的目标区域增加了。在连接对象的损坏部分时也很有用。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path = r'D:\Laboratory\Study\Computer Vision\opencv4-python\qingshi.png'
img = cv.imread(path,0)
kernel = np.ones((5,5),np.uint8)
erosion = cv.dilate(img,kernel,iterations = 1) 
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

膨胀结果

3.开运算

开放只是侵蚀然后扩张的另一个名称。如上文所述，它对于消除噪音很有用。在这里，我们使用函数cv.morphologyEx()

import random
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path = r'D:\Laboratory\Study\Computer Vision\opencv4-python\qingshi.png'
img = cv.imread(path,0)
#给图像加噪声
def GaessNoisy(src, sigma):
    NoiseImg = src.copy()
    s = np.random.normal(0, 1, size=src.shape)*sigma
    NoiseImg = np.add(NoiseImg, s)
    NoiseImg.astype(dtype=np.uint8)
    return NoiseImg
img = GaessNoisy(img, 20)
kernel = np.ones((5,5),np.uint8)
erosion = cv.morphologyEx(img, cv.MORPH_OPEN, kernel) 
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

开运算结果

4.闭运算

闭运算与开运算相反，先扩张然后再侵蚀。在关闭前景对象内部的小孔或对象上的小黑点时很有用。

import random
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path = r'D:\Laboratory\Study\Computer Vision\opencv4-python\qingshi.png'
img = cv.imread(path,0)
#给图像加噪声
def GaessNoisy(src, sigma):
    NoiseImg = src.copy()
    s = np.random.normal(0, 1, size=src.shape)*sigma
    NoiseImg = np.add(NoiseImg, s)
    NoiseImg.astype(dtype=np.uint8)
    return NoiseImg
img = GaessNoisy(img, 20)
kernel = np.ones((5,5),np.uint8)
erosion = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel) 
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

闭运算结果

5.形态学梯度

它结果将看起来像对象的轮廓。

import random
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path = r'D:\Laboratory\Study\Computer Vision\opencv4-python\qingshi.png'
img = cv.imread(path,0)
#给图像加噪声
def GaessNoisy(src, sigma):
    NoiseImg = src.copy()
    s = np.random.normal(0, 1, size=src.shape)*sigma
    NoiseImg = np.add(NoiseImg, s)
    NoiseImg.astype(dtype=np.uint8)
    return NoiseImg
img = GaessNoisy(img, 20)
kernel = np.ones((5,5),np.uint8)
erosion = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel) 
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

梯度结果

6.顶帽

它是输入图像和图像开运算之差。下面的示例针对9x9内核完成。

import random
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path = r'D:\Laboratory\Study\Computer Vision\opencv4-python\qingshi.png'
img = cv.imread(path,0)
#给图像加噪声
def GaessNoisy(src, sigma):
    NoiseImg = src.copy()
    s = np.random.normal(0, 1, size=src.shape)*sigma
    NoiseImg = np.add(NoiseImg, s)
    NoiseImg.astype(dtype=np.uint8)
    return NoiseImg
img = GaessNoisy(img, 20)
kernel = np.ones((5,5),np.uint8)
erosion = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel) 
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

顶帽结果

7.黑帽

它是输入图像和图像开运算之差。下面的示例针对9x9内核完成。

import random
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path = r'D:\Laboratory\Study\Computer Vision\opencv4-python\qingshi.png'
img = cv.imread(path,0)
#给图像加噪声
def GaessNoisy(src, sigma):
    NoiseImg = src.copy()
    s = np.random.normal(0, 1, size=src.shape)*sigma
    NoiseImg = np.add(NoiseImg, s)
    NoiseImg.astype(dtype=np.uint8)
    return NoiseImg
img = GaessNoisy(img, 20)
kernel = np.ones((5,5),np.uint8)
erosion = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel) 
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

黑帽结果

最后补充一个结构元素的创建

# 矩形内核
cv.getStructuringElement(cv.MORPH_RECT,(5,5))
# 椭圆内核
cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
#十字内核
cv.getStructuringElement(cv.MORPH_CROSS,(5,5))