OpenCV3图像形态学处理

最新推荐文章于 2024-04-10 23:34:39 发布

有理叔

最新推荐文章于 2024-04-10 23:34:39 发布

阅读量1.7k

点赞数

分类专栏： Python 笔记文章标签： Python OpenCV

本文链接：https://blog.csdn.net/yjp19871013/article/details/78310107

版权

Python 同时被 2 个专栏收录

21 篇文章 0 订阅

订阅专栏

笔记

3 篇文章 0 订阅

订阅专栏

图像的形态学处理是基于图像形状的处理，主要有膨胀，腐蚀，开运算，闭运算等等，下面通过一些例子，逐一介绍。

腐蚀

腐蚀操作主要用来增长或者粗化二值图像中的黑色部分，也就是说，被腐蚀的是图像中的白色部分，使用OpenCV可以很简单的完成图像的腐蚀处理。代码如下所示：

image = cv2.imread(r'pics/circle.png')
kernel = np.ones((10, 10), np.uint8)
erosion = cv2.erode(image, kernel, iterations=1)

plt.subplot(121), plt.imshow(image), plt.title('Origin')
plt.subplot(122), plt.imshow(erosion), plt.title('Erode')
plt.show()

OpenCV使用erode函数进行腐蚀操作，其中kernel是一个核矩阵，我们可以将其想象为一块方形玻璃片，将玻璃片的中心依次放在图像中的白色像素上，如果玻璃片下的像素不全是白色像素，则将玻璃片下的白色像素替换为黑色像素；相反，如果玻璃片下的像素都是白色像素，则不对玻璃片下的像素进行处理。为了方便演示，我制作了一个圆环图片，然后对其进行腐蚀，结果如下图：

可以看到，黑线变粗了，而白色的部分被腐蚀了，可以自己调整核的大小，体会一下效果。

膨胀

膨胀与腐蚀正好相反，膨胀使得白色部分变得更多，看一下代码：

image = cv2.imread(r'pics/circle.png')
kernel = np.ones((5, 5), np.uint8)
dilate = cv2.dilate(image, kernel, iterations=1)

plt.subplot(121), plt.imshow(image), plt.title('Origin')
plt.subplot(122), plt.imshow(dilate), plt.title('Dilate')
plt.show()

使用dilate函数进行膨胀操作，同样需要传递一个核，同样把核想象为一个方形玻璃片，只不过与腐蚀相反，将玻璃片中心放置在白色像素，如果玻璃片下不全是白色像素，则将黑色像素改为白色，否则，不作处理。结果如图所示：

可以看到，我们的黑线变细了，同样可以调整一下核的大小，然后看看结果。

开运算

开运算就是先对图像进行腐蚀，然后再进行膨胀，由于腐蚀可以除去白色部分，膨胀可以增加白色部分，如果核的大小选取合适，可以用来处理黑色部分中的白色噪声。代码和结果如下所示

image = cv2.imread(r'pics/black_circle.png')
kernel = np.ones((5, 5), np.uint8)
open_img = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)

plt.subplot(121), plt.imshow(image), plt.title('Origin')
plt.subplot(122), plt.imshow(open_img), plt.title('Open')
plt.show()

这里我们使用了morphologyEx函数，实际上也可以使用该函数进行腐蚀和膨胀操作，只需要替换第二个参数即可，该函数是所有形态学处理的最基本的函数。

闭运算

与开运算相反，先膨胀再腐蚀，闭运算常用来处理白色背景上的黑色部分。如下所示：

image = cv2.imread(r'pics/white_circle.png')
kernel = np.ones((5, 5), np.uint8)
close_img = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)

plt.subplot(121), plt.imshow(image), plt.title('Origin')
plt.subplot(122), plt.imshow(close_img), plt.title('Close')
plt.show()

注意到，边框一定要比点的像素宽度大，也就是说闭运算去除的是比较小的部分，想一下膨胀和腐蚀的原理就会明白。

形态学梯度

最后我们再来看一种形态学处理——形态学梯度，形态学梯度被定义为膨胀与腐蚀之差，我们还以之前的圆环为例，如果理解了膨胀和腐蚀的原理，应该能够想到执行的结果了。

image = cv2.imread(r'pics/circle.png')
kernel = np.ones((5, 5), np.uint8)
gradient = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel)

plt.subplot(121), plt.imshow(image), plt.title('Origin')
plt.subplot(122), plt.imshow(gradient), plt.title('Gradient')
plt.show()