机器学习：opencv--图像形态学

目录

前言

一、常用形态学操作

二、腐蚀和膨胀

1.图像腐蚀

2.图形膨胀

三、开运算和闭运算

1.开运算

2.闭运算

四、顶帽和黑帽

1.顶帽

2.黑帽

五、梯度运算

总结

---

前言

        图像形态学是一种用于处理和分析图像形状和结构的技术。

 

一、常用形态学操作

1. 膨胀（Dilation）：扩展前景区域，使对象变大。
2. 腐蚀（Erosion）：缩小前景区域，去除小的噪声点。
3. 开运算（Opening）：先腐蚀后膨胀，用于去除小物体。
4. 闭运算（Closing）：先膨胀后腐蚀，用于填充小孔洞。
5. 顶帽（Top-hat）：原图像与开运算结果的差异。用于提取图像中比背景亮的细节，通常用于突出小的亮区域。
6. 黑帽（Black-hat）：闭运算结果与原图像的差异。用于提取图像中比背景暗的细节，通常用于突出小的暗区域。
7. 梯度运算：梯度运算实际上是膨胀操作减去腐蚀操作的结果。

 

二、腐蚀和膨胀

1.图像腐蚀

• 缩小前景区域，去除小的噪声点。

import numpy as np
import cv2

"""
图像腐蚀
dst = cv2.erode(src, kernel, dst,anchor,iterations,borderType,borderValue)
"""
sun = cv2.imread('sun.png')
cv2.imshow('sun', sun)
cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)  # 设置kernel大小
erosion_1 = cv2.erode(sun, kernel, iterations=5)
cv2.imshow('erode', erosion_1)
cv2.waitKey(0)

输出：

• 左边是原图，右边是腐蚀之后的

 

2.图形膨胀

• 扩展前景区域，使对象变大。

import numpy as np
import cv2

"""
图像膨胀
dst = cv2.dilate(img, kernel,iteration)
"""
text = cv2.imread('eng_text.png')
cv2.imshow('text', text)
cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)
text_new = cv2.dilate(text, kernel, iterations=3)
cv2.imshow('dilate', text_new)
cv2.waitKey(0)

输出：

• 左边是原图，右边是膨胀之后的图像

 

三、开运算和闭运算

1.开运算

• 先腐蚀后膨胀，用于去除小物体。

# 开运算 先腐蚀后膨胀
zw_noise = cv2.imread('zw_noise.png')
cv2.imshow('zw_noise', zw_noise)
cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)
zw_open = cv2.morphologyEx(zw_noise, cv2.MORPH_OPEN, kernel)  # 先腐蚀 后膨胀
cv2.imshow('zw_open', zw_open)
cv2.waitKey(0)

输出：

• 左边是原图，右边是进行开运算之后的图片

 

2.闭运算

• 先膨胀后腐蚀，用于填充小孔洞。

zw = cv2.imread('zw.png')
cv2.imshow('zw', zw)
cv2.waitKey(0)

kernel = np.ones((5, 5), np.uint8)
zw_close = cv2.morphologyEx(zw, cv2.MORPH_CLOSE, kernel)  # 先腐蚀 后膨胀
cv2.imshow('zw_close', zw_close)
cv2.waitKey(0)

输出：

• 左边是原图，右边是经过闭运算之后的图
• 可以看出来指纹有些断开的地方连接起来了

 

四、顶帽和黑帽

1.顶帽

• 原图像与开运算结果的差异。用于提取图像中比背景亮的细节，通常用于突出小的亮区域。

sun = cv2.imread('sun.png')
cv2.imshow('sun', sun)
cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)
# 开运算
open_sun = cv2.morphologyEx(sun, cv2.MORPH_OPEN, kernel)
cv2.imshow('open_sun', open_sun)
cv2.waitKey(0)
# 顶帽
tophat = cv2.morphologyEx(sun, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

• 左边原图，中间开运算，右边顶帽运算
• 顶帽之后有种凹陷的感觉

 

2.黑帽

• 闭运算结果与原图像的差异。用于提取图像中比背景暗的细节，通常用于突出小的暗区域。

sun = cv2.imread('sun.png')
cv2.imshow('sun', sun)
cv2.waitKey(0)
kernel = np.ones((2, 2), np.uint8)
cv2.imshow('sun', sun)
cv2.waitKey(0)
# 闭运算
close_sun = cv2.morphologyEx(sun, cv2.MORPH_CLOSE, kernel)
cv2.imshow('close_sun', close_sun)
cv2.waitKey(0)
# 黑帽
blackhat = cv2.morphologyEx(sun, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat', blackhat)
cv2.waitKey(0)

输出：

• 左边原图，中间闭运算，右边黑帽之后的图片

 

五、梯度运算

• 用于提取图像的边缘，计算图像的变化率。

"""
梯度运算: 膨胀-腐蚀
"""
text = cv2.imread('eng_text.png')
# cv2.imshow('text', text)
# cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)
# 膨胀
pz_text = cv2.dilate(text, kernel, iterations=2)
cv2.imshow('pz_text', pz_text)
cv2.waitKey(0)
# 腐蚀
fs_text = cv2.erode(text, kernel, iterations=2)
cv2.imshow('fs_text', fs_text)
cv2.waitKey(0)
# 膨胀-腐蚀
text_new = cv2.morphologyEx(text, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('text_new', text_new)
cv2.waitKey(0)

输出：

• 左边是膨胀的图片，中间是腐蚀的图片，右边是梯度运算之后的图片
• 有一种镂空的感觉

 

总结

        这些处理方法主要用于图像的边缘检测和特征增强。通过膨胀，图像的前景区域会被扩展，填补细小的空洞；通过腐蚀，前景区域会被缩小，去除噪声。梯度运算（膨胀减腐蚀）则能够突出图像中的边缘信息，有助于识别和分析图像中的结构和形状。