OpenCV-Python图像处理学习笔记（四）——形态学操作、图像梯度

熊仔阿大

已于 2023-08-25 13:34:33 修改

阅读量234

点赞数

分类专栏： opencv 文章标签： opencv 图像处理 python

于 2023-08-17 17:30:40 首次发布

本文链接：https://blog.csdn.net/weixin_57726558/article/details/132339092

版权

opencv 专栏收录该内容

7 篇文章 3 订阅

订阅专栏

本篇学习笔记主要内容在图像的形态学操作，图像梯度内容。

获取更多可以查看本栏目其他文章。

往期内容：

OpenCV-Python图像处理学习笔记（一）——认识、安装、环境测试

OpenCV-Python图像处理学习笔记（二）——图像/视频读取保存、分割及边界填充

OpenCV-Python图像处理学习笔记（三）——数值运算、图像阈值、图像平滑（滤波）

OpenCV-Python图像处理学习笔记（四）——形态学操作、图像梯度
 OpenCV-Python图像处理学习笔记（五）——Canny 边缘检测、图像金字塔、轮廓检测（一）

OpenCV-Python图像处理学习笔记（六）——轮廓检测（二）、模板匹配
 OpenCV-Python图像处理学习笔记（七）——直方图、图像变换

导入必要Python包

import cv2
import numpy as np
import matplotlib.pyplot as plt

1 形态学操作

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。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。

1.1 腐蚀

就像土壤侵蚀一样，这个操作会把图像边界腐蚀掉。具体操作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，那么中心元素就保持原来的像素值，否则就变为零。

img = cv2.imread('j.png', 0)
kernel = np.ones((5,5))
erosion = cv2.erode(img, kernel, iterations=1)  # 参数iterations表示腐蚀效果，数值越大腐蚀逐渐增强

经过上述代码执行后，下列左侧图将会变为右侧图：

1.2 膨胀

膨胀和腐蚀像是反方向的操作，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。

dilation = cv2.dilate(img, kernel, iterations = 1)

上述代码执行完后，原图像将变成下图效果：

1.3 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。

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.MORPH_OPEN表示进行开运算。

1.4 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。

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.MORPH_CLOSE表示进行开运算。

1.5 梯度计算

梯度 = 膨胀 - 腐蚀

即得到结果类似图像的轮廓。

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.MORPH_GRADIENT表示进行开运算。

1.6 礼帽与黑帽

礼帽 = 原始图像 - 开运算输出图像
黑帽 = 闭运算输出图像 - 原始图像

# 礼帽
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

# 黑帽
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

cv2.MORPH_TOPHAT表示进行礼帽。
cv2.MORPH_BLACKHAT表示进行黑帽。

1.7 形态学操作之间的关系

开运算：dst = open(src, element) = dilate(erode(src, element), element)
闭运算：dst = close(src, element) = erode(dilate(src, element), element)
梯度计算：dst = morph_grad(src, element) = dilate(src, element) - erode(src, element)
礼帽：dst = tophat(src, element)=src - open(src, element)
黑帽：dst = blackhat(src, element) =close(src, element) - src

2 图像梯度

梯度简单来说就是求导。

OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器：Sobel， Scharr 和 Laplacian。

Sobel，Scharr 其实就是求一阶或二阶导数
Scharr 是对Sobel（使用小的卷积核求解求解梯度角度时）的优化
Laplacian 是求二阶导数

2.1 Sobel算子

Sobel算子是高斯平滑与微分操作的结合体，所以它的抗噪声能力很好。

3x3 的Sobel滤波器卷积核如下：

$G_{x} = \left [ \begin{matrix} -1 & 0&1 \\ -2&0 &2 \\ -1&0 & 1 \end{matrix} \right ] \Leftrightarrow G_{y} = \left [ \begin{matrix} -1 & -2&-1 \\ 0&0 &0 \\ 1&2 & 1 \end{matrix} \right ]$

右 - 左或上 - 下

img=cv2.imread('dave.jpg')

laplacian = cv2.Laplacian(img, cv2.CV_64F)

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)

sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)

cv2.CV_64F 输出图像的深度（数据类型），可以使用-1, 与原图像保持一致。一个从黑到白的边界的导数是整数，而一个从白到黑的边界点导数却是负数。如果原图像的深度是 np.int8 时，所有的负值都会被截断变成 0，换句话说就是把把边界丢失掉。
参数 1,0 为只在水平方向求一阶导数，最大可以求 2 阶导数。
参数 0,1 为只在竖直方向求一阶导数，最大可以求 2 阶导数。
ksize是sobel算子大小。

根据上述方式计算的结果往往不尽人意，或者说图像不是完整的，那么可以通过下来方式，得到完整的梯度图像。

首先有一个原始图像如下：

先在水平方向进行梯度计算，再在竖直方向进行计算，然后分别对它们结果进行abs求绝对值，此时再将两组结果进行加权求和。

img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE)

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) 
sobelx = cv2.convertScaleAbs(sobelx)

sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) 
sobely=cv2.convertScaleAbs(sobely)

sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0) 

cv_show(sobelxy,' sobelky')

最终结果如下图：

2.2 Scharr算子

如果 ksize=-1，会使用 3x3 的 Scharr 滤波器，它的的效果要比3x3的Sobel滤波器好，而且速度相同，3x3 的Scharr滤波器卷积核如下：

$G_{x} = \left [ \begin{matrix} -3 & 0&3 \\ -10&0 &10 \\ -3&0 & 3 \end{matrix} \right ] \Leftrightarrow G_{y} = \left [ \begin{matrix} -3 & -10&-3 \\ 0&0 &0 \\ 3&10 & 3 \end{matrix} \right ]$

计算类似Sobel算子。

2.3 Laplacian算子

拉普拉斯算子可以使用二阶导数的形式定义，可假设其离散实现类似于二阶Sobel导数，公式为：

$\Delta src = \frac{\partial ^{2}src}{\partial x^{2}} + \frac{\partial ^{2}src}{\partial y^{2}}$

拉普拉斯滤波器使用的卷积核：

$G_{x} = \left [ \begin{matrix} 0 & 1&0 \\ 1&-4 &1 \\ 0&1 & 0 \end{matrix} \right ]$

拉普拉斯算子一般情况对噪音点较为敏感，效果不是很好，通常会结合其他方法进行使用，不单独使用。

2.4 梯度计算方法

不同算子计算方法差异：

img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE) 

sobelx = cv2.Sobel(img, cv2.CV_64F,1,0,ksize=3) 
sobely = cv2.Sobel(img, cv2.CV_64F,0,1,ksize=3) 
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0) 

scharrx = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharry = cv2.Scharr(img, cv2.CV_64F, 0, 1) 
scharrx = cv2.convertScaleAbs(scharrx) 
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0) 

laplacian =cv2.Laplacian(img, cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian) 

res = np.hstack((sobelxy, scharrxy, laplacian)) 
cv_show(res, 'res')

下图为上述三种算子的输出结果：

不难看出，Scharr算子相对敏感，能够捕捉较为丰富的信息。

3 小结

下期将继续同步OpenCV边缘检测等内容。

熊仔阿大

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
打赏
1
评论
OpenCV-Python图像处理学习笔记（四）——形态学操作、图像梯度

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。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。1 形态学操作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。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。就像土壤侵蚀一样，这个操作会
复制链接

扫一扫