OpenCV_07形态学操作

最新推荐文章于 2022-07-19 18:18:54 发布

Goafan

最新推荐文章于 2022-07-19 18:18:54 发布

阅读量158

点赞数

分类专栏：计算机视觉文章标签： opencv 计算机视觉

本文链接：https://blog.csdn.net/weixin_45231460/article/details/125101015

版权

计算机视觉专栏收录该内容

22 篇文章 5 订阅

订阅专栏

前言：总纲请看《计算机视觉学习路》

概念

基于图像形态学进行处理的一些基本方法
这些处理方法基本是对二进制图像进行处理
卷积核决定着图像处理后的效果

二值化

将图像的每个像素变成两种值，如0,255

分为全局二值化和局部二值化

全局二值化：

threshold(img , thresh , maxVal , type)

img : 图像，最好是灰度图

thresh : 阈值

maxVal : 高于阈值，像素值替换成maxval

type: THRESH_BINARY：低于阈值像素值为0,高于阈值像素值为maxVal

THRESH_BINARY_INV：相反，低于阈值是maxVal,高于阈值是0

THRESH_TOZERO ：高于阈值的部分不变，其他地方设为0

THRESH_TOZERO_INV ：低于阈值的部分不变，其他地方设为0

THRESH_TRUNC : 高于阈值的部分令其等于阈值，其余不变

注：蓝色的这三个选项不是二值化的内容，用的也不多，了解即可

代码如下：

import cv2

im = cv2.imread('../img/lena.jpg')
im = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)  # 转为灰度图
cv2.imshow('im', im)

# 二值化  返回阈值和二值化后的图像
t, im_bin = cv2.threshold(im,
                          127, 255,  # 阈值和最大值  阈值越高白色的部分越少
                          cv2.THRESH_BINARY)  # 二值化选项
cv2.imshow('im_bin', im_bin)

# 反二值化  小于阈值部分设置为255
t, im_bin_inv = cv2.threshold(im,
                              127, 255,  # 阈值和最大值  阈值越高白色的部分越少
                              cv2.THRESH_BINARY_INV)  # 反二值化选项
cv2.imshow('im_bin_inv', im_bin_inv)

cv2.waitKey()
cv2.destroyAllWindows()

自适应阈值

由于光照不均，二值化会出现下面的情况：

所以采用自适应阈值

adaptiveThreshold(img , maxVal , adaptiveMethod, Type , blockSize , C)

dadptiveMethod : 计算阈值的方法，有如下选项：

ADAPTIVE_THRESH_MEAN_C : 计算临近区域的平均值

ADAPTIVE_THRESH_GAUSSIAN_C : 高斯窗口加权平均值，中间权值高，常用

Type : THRESH_BINARY 和 THRESH_BINARY_INV

blockSize : 临近区域的大小

C : 常量，应从计算出的平均值或加权平均值中减去，一般=0

import cv2

im = cv2.imread('../img/自适应.png')
im = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)  # 转为灰度图
cv2.imshow('im', im)

# 二值化  返回阈值和二值化后的图像
im_bin = cv2.adaptiveThreshold(im,
                                  255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,  # 高斯
                                  cv2.THRESH_BINARY,    # type
                                  3,0) # 块大小为3*3  C=0
cv2.imshow('im_bin', im_bin)

im_bin_inv = cv2.adaptiveThreshold(im,
                                  255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,  # 高斯
                                  cv2.THRESH_BINARY_INV,    # type
                                  3,0) # 块大小为3*3  C=0

cv2.imshow('im_bin_inv', im_bin_inv)

cv2.waitKey()
cv2.destroyAllWindows()

腐蚀

cv2.erode(img, kernel, iterations=1)

kernel:腐蚀核，一般情况下是全1的矩阵

iterations : 迭代次数，值越大，腐蚀的越厉害

import cv2
import numpy as np

img = cv2.imread('../img/5.png')
cv2.imshow('img', img)

# 腐蚀
kernel = np.ones((3, 3), np.uint8)  # 腐蚀核
im_erode = cv2.erode(img, kernel, iterations=2)  # 迭代次数
cv2.imshow('im_erode', im_erode)

cv2.waitKey()
cv2.destroyAllWindows()

获得卷积核

通常都是全1卷积核，也可以通过API获得其他腐蚀核

getStructuringDlement(type , size)

type:MORPH_RECT : 全1卷积核

MORPH_ELLIPSE : 椭圆形1分布，图片见下方

MORPH_CROSS 十字形1分布

size : (3,3) (5,5)...

import cv2
import numpy as np

img = cv2.imread('../img/5.png')
cv2.imshow('img', img)

# 腐蚀
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
print(kernel1)
kernel2 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
print(kernel2)
kernel3 = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
print(kernel3)

im1 = cv2.erode(img, kernel1, iterations=2)  # 迭代次数
im2 = cv2.erode(img, kernel2, iterations=2)  # 迭代次数
im3 = cv2.erode(img, kernel3, iterations=2)  # 迭代次数

cv2.imshow('RECT', im1)
cv2.imshow('ELLIPSE', im2)
cv2.imshow('CROSS', im3)

cv2.waitKey()
cv2.destroyAllWindows()

膨胀

dilate(img , kernel , iterations = 1)

下图是iteration分别为10,20,50的结果

import cv2
import numpy as np

img = cv2.imread('../img/7.png')
cv2.imshow('img', img)

# 腐蚀
kernel = np.ones((3, 3), np.uint8)  # 膨胀核
img1 = cv2.dilate(img, kernel, iterations=10)  # 迭代次数
img2 = cv2.dilate(img, kernel, iterations=20)  # 迭代次数
img3 = cv2.dilate(img, kernel, iterations=50)  # 迭代次数

cv2.imshow('img1', img1)
cv2.imshow('img2', img2)
cv2.imshow('img3', img3)

cv2.waitKey()
cv2.destroyAllWindows()

获得卷积核

同腐蚀

import cv2
import numpy as np

img = cv2.imread('../img/7.png')
cv2.imshow('img', img)

# 膨胀
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
kernel2 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
kernel3 = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))

im1 = cv2.dilate(img, kernel1, iterations=2)  # 迭代次数
im2 = cv2.dilate(img, kernel2, iterations=2)  # 迭代次数
im3 = cv2.dilate(img, kernel3, iterations=2)  # 迭代次数

cv2.imshow('RECT', im1)
cv2.imshow('ELLIPSE', im2)
cv2.imshow('CROSS', im3)

cv2.waitKey()
cv2.destroyAllWindows()

开运算

开运算= 腐蚀+膨胀

morphologyEx(img , MORPH_OPEN , kernel)

# 先腐蚀，后膨胀
import cv2
import numpy as np

# 读取原图
im1 = cv2.imread('../img/7.png')
im2 = cv2.imread('../img/8.png')

# 开运算
k = np.ones((10, 10), np.uint8)  # 计算核的类型uint8
# k = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))  # 获取卷积核
r1 = cv2.morphologyEx(im1, cv2.MORPH_OPEN, k)

r2 = cv2.morphologyEx(im2, cv2.MORPH_OPEN, k)

cv2.imshow('im1', im1)
cv2.imshow('r1', r1)
cv2.imshow('im2', im2)
cv2.imshow('r2', r2)

cv2.waitKey()
cv2.destroyAllWindows()

获取卷积核同上，这里不再演示

闭运算

闭运算=膨胀+腐蚀

morphologyEx(img , MORPH_CLOSE , kernel)

# 先腐蚀，后膨胀
import cv2
import numpy as np

# 读取原图
im = cv2.imread('../img/9.png')

# 闭运算
k = np.ones((10, 10), np.uint8)  # 计算核的类型uint8
# k = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))  # 获取卷积核
r1 = cv2.morphologyEx(im, cv2.MORPH_CLOSE, k)

cv2.imshow('im', im)
cv2.imshow('r1', r1)

cv2.waitKey()
cv2.destroyAllWindows()

形态学梯度

梯度= 原图-腐蚀后的图 = 边沿

morphologyEx(img , MORPH_GRADIENT , kernel)

下面是kernel size = 3*3 和 7*7的梯度

可以看出，梯度的大小和卷积核的大小有很大的关系

# 先腐蚀，后膨胀
import cv2
import numpy as np

# 读取原图
im = cv2.imread('../img/2.png')

# 闭运算
# k = np.ones((10, 10), np.uint8)  # 计算核的类型uint8
k = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))  # 获取卷积核
k2 = cv2.getStructuringElement(cv2.MORPH_RECT,(7,7))  # 获取卷积核

r1 = cv2.morphologyEx(im, cv2.MORPH_GRADIENT, k)
r2 = cv2.morphologyEx(im, cv2.MORPH_GRADIENT, k2)

cv2.imshow('im', im)
cv2.imshow('r1', r1)
cv2.imshow('r2', r2)

cv2.waitKey()
cv2.destroyAllWindows()

顶帽运算

顶帽 = 原图 - 开运算

morphologyEx(img , MORPH_TOPHAT , kernel)

去掉大的部分，留下小的部分（外部噪点），下图kernel size分别为 3*3 7*7

kernel size越大，留下的越多

# 先腐蚀，后膨胀
import cv2
import numpy as np

# 读取原图
im = cv2.imread('../img/5.png')

# 闭运算
# k = np.ones((10, 10), np.uint8)  # 计算核的类型uint8
k = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))  # 获取卷积核
k2 = cv2.getStructuringElement(cv2.MORPH_RECT,(7,7))  # 获取卷积核

r1 = cv2.morphologyEx(im, cv2.MORPH_TOPHAT, k)
r2 = cv2.morphologyEx(im, cv2.MORPH_TOPHAT, k2)

cv2.imshow('im', im)
cv2.imshow('r1', r1)
cv2.imshow('r2', r2)

cv2.waitKey()
cv2.destroyAllWindows()

黑帽运算

黑帽 = 原图- 闭运算

morphologyEx(img , MORPH_BLACKHAT , kernel)

取出大块中的小噪点（内部）

# 先腐蚀，后膨胀
import cv2
import numpy as np

# 读取原图
im = cv2.imread('../img/9.png')

# k = np.ones((10, 10), np.uint8)  # 计算核的类型uint8
k = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))  # 获取卷积核
k2 = cv2.getStructuringElement(cv2.MORPH_RECT,(7,7))  # 获取卷积核

r1 = cv2.morphologyEx(im, cv2.MORPH_BLACKHAT, k)
r2 = cv2.morphologyEx(im, cv2.MORPH_BLACKHAT, k2)

cv2.imshow('im', im)
cv2.imshow('r1', r1)
cv2.imshow('r2', r2)

cv2.waitKey()
cv2.destroyAllWindows()