要同时满足灰度值和位置的条件才叫 x连通
连通性是描述区域和边界的重要概念,两个像素连通的两个必要条件是:
两个像素的位置是否相邻
两个像素的灰度值是否满足特定的相 似性准则(或者是否相等
根据连通性的定义,有4联通、8联通和m联通三种。
○ 称pq是四连通
2 形态学操作
形态学转换是基于图像形状的一些简单操作。它通常在二进制图像上执行。腐蚀和膨胀是两个基本的形态学运算符。然后它的变体形式如开运算,闭运算,礼帽黑帽等。
2.1 腐蚀和膨胀
腐蚀和膨胀是最基本的形态学操作,腐蚀和膨胀都是针对白色部分(高亮部分)而言的。
膨胀就是使图像中高亮部分扩张,效果图拥有比原图更大的高亮区域;腐蚀是原图中的高亮区域被蚕食,效果图拥有比原图更小的高亮区域。膨胀是求局部最大值的操作,腐蚀是求局部最小值的操作。
1. 腐蚀
具体操作是:用一个结构元素扫描图像中的每一个像素,用结构元素中的每一个像素与其覆盖的像素做“与”操作,如果都为1,则该像素为1,否则为0。如下图所示,结构A被结构B腐蚀后:
腐蚀的作用是消除物体边界点,使目标缩小,可以消除小于结构元素的噪声点。
API:
cv.erode(img,kernel,iterations)
参数:
® img: 要处理的图像
® kernel: 核结构
® iterations: 腐蚀的次数,默认是1
2. 膨胀
具体操作是:用一个结构元素扫描图像中的每一个像素,用结构元素中的每一个像素与其覆盖的像素做“与”操作,如果都为0,则该像素为0,否则为1。如下图所示,结构A被结构B腐蚀后:
API:
cv.dilate(img,kernel,iterations)
参数:
® img: 要处理的图像
® kernel: 核结构
® iterations: 腐蚀的次数,默认是1
1. 示例
我们使用一个5*5的卷积核实现腐蚀和膨胀的运算
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img = cv.imread("opencv_learn\\erode.png")
# 2 创建核结构
kernel = np.ones((5,5), np.uint8)
# 3 图像腐蚀和膨胀
erosion = cv.erode(img, kernel) # 腐蚀
dilate = cv.dilate(img,kernel) # 膨胀
# 4 图像展示
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(10,8),dpi=100)
axes[0].imshow(img)
axes[0].set_title("原图")
axes[1].imshow(erosion)
axes[1].set_title("腐蚀后结果")
axes[2].imshow(dilate)
axes[2].set_title("膨胀后结果")
plt.show()
开闭运算
API
cv.morphologyEx(img, op, kernel)
参数:
□ img: 要处理的图像
□ op: 处理方式:若进行开运算,则设为cv.MORPH_OPEN,若进行闭运算,则设为cv.MORPH_CLOSE
□ Kernel: 核结构
示例
使用10*10的核结构对卷积进行开闭运算的实现。
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img1 = cv.imread(“./image/image5.png”)
img2 = cv.imread(“./image/image6.png”)
# 2 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 3 图像的开闭运算
cvOpen = cv2.morphologyEx(img1,cv2.MORPH_OPEN,kernel) # 开运算
cvClose = cv2.morphologyEx(img2,cv2.MORPH_CLOSE,kernel)# 闭运算
# 4 图像展示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title(“原图”)
axes[0,1].imshow(cvOpen)
axes[0,1].set_title(“开运算结果”)
axes[1,0].imshow(img2)
axes[1,0].set_title(“原图”)
axes[1,1].imshow(cvClose)
axes[1,1].set_title(“闭运算结果”)
plt.show()
总结
1. 连通性 邻接关系:4邻接,8邻接和D邻接
连通性:4连通,8连通和m连通
2. 形态学操作
• 腐蚀和膨胀:
腐蚀:求局部最大值
膨胀:求局部最小值
• 开闭运算:
开:先腐蚀后膨胀
闭:先膨胀后腐蚀
• 礼帽和黑帽:
礼帽:原图像与开运算之差
黑帽:闭运算与原图像之差
梯度运算:膨胀-腐蚀
礼帽
顶帽运算的作用是可以提取噪声,突出原图像中比周围亮的部分。(因为开运算本身可以去除一些孤立点,细微连接,毛刺等细节,所以这些细节就可以通过顶帽操作来提取出来)
#顶帽:原图减去开运算后的图:src - opening
img = cv2.imread('psma_noise_out.PNG')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (20,20))# 定义结构元素
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
titles = ['img', 'tophat']
images = [img, tophat]
plt.figure(dpi=150) #指定输出像素大小
for i in range(2):
plt.subplot(1, 2, i + 1)
plt.imshow(images[i])
plt.title(titles[i], fontsize=8)
plt.xticks([]), plt.yticks([])
plt.show()
应用:
黑帽(Black Hat)
运算为 "闭运算"的结果图与原图像之差。黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域,且这一操作和选择的核的大小相关。
黑帽操作的作用是突出原图像中比周围暗的区域。(比如闭运算本身可以填补物体内部的一些黑洞,这些黑洞就可以通过黑帽运算来凸显)。
#黑帽:闭运算后的图减去原图:closing - src
img = cv2.imread('psma_noise_in.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (60,60))
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
titles = ['img', 'blackhat']
images = [img, blackhat]
plt.figure(dpi=180) #指定输出像素大小
for i in range(2):
plt.subplot(1, 2, i + 1)
plt.imshow(images[i])
plt.title(titles[i], fontsize=8)
plt.xticks([]), plt.yticks([])
plt.show()