OpenCV 图像处理：形态学操作、连通性、腐蚀和膨胀、开运算/闭运算、礼帽和黑帽

最新推荐文章于 2023-02-04 22:01:56 发布
最新推荐文章于 2023-02-04 22:01:56 发布
阅读量999 收藏 7
点赞数 1
分类专栏： 人工智能 OpenCV 文章标签： 人工智能 opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zimiao552147572/article/details/105331053
版权

日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

形态学操作

学习目标

  • 理解图像的邻域，连通性

  • 了解不同的形态学操作：腐蚀，膨胀，开闭运算，礼帽和黑帽等，及其不同操作之间的关系

1 连通性

在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示：

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
  1. 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：

膨胀的作用是将与物体接触的所有背景点合并到物体中，使目标增大，可添补目标中的孔洞。

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("./image/image3.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()

2.2 开闭运算

开运算和闭运算是将腐蚀和膨胀按照一定的次序进行处理。 但这两者并不是可逆的，即先开后闭并不能得到原来的图像。

  1. 开运算

    开运算是先腐蚀后膨胀，其作用是：分离物体，消除小区域。特点：消除噪点，去除小的干扰块，而不影响原来的图像。

2.闭运算

闭运算与开运算相反，是先膨胀后腐蚀，作用是消除/“闭合”物体里面的孔洞，特点：可以填充闭合区域。

  1. API
    • 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
  2. cv.morphologyEx(img, op, kernel)

    参数：

  3. 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 = cv.morphologyEx(img1,cv.MORPH_OPEN,kernel) # 开运算
cvClose = cv.morphologyEx(img2,cv.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()

2.3 礼帽和黑帽

  1. 礼帽运算

    原图像与“开运算“的结果图之差，如下式计算：

  1. 因为开运算带来的结果是放大了裂缝或者局部低亮度的区域，因此，从原图中减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域，且这一操作和选择的核的大小相关。

    　　礼帽运算用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。

  2. 黑帽运算

    为”闭运算“的结果图与原图像之差。数学表达式为：

  1. 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。

    黑帽运算用来分离比邻近点暗一些的斑块。

  2. API

    cv.morphologyEx(img, op, kernel)

    参数：

    • img: 要处理的图像

    • op: 处理方式：

Kernel： 核结构

  1. 示例

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 图像的礼帽和黑帽运算
cvOpen = cv.morphologyEx(img1,cv.MORPH_TOPHAT,kernel) # 礼帽运算
cvClose = cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel)# 黑帽运算
# 4 图像显示
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("礼帽运算结果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原图")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("黑帽运算结果")
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

In [1]:

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

腐蚀与膨胀

In [2]:

img = cv.imread("./image/letter.png")

In [3]:

plt.imshow(img[:,:,::-1])

Out[3]:

<matplotlib.image.AxesImage at 0x124f64150>

In [4]:

# 创建核结构
kenel = np.ones((5,5),np.uint8)

In [5]:

# 腐蚀
img2 = cv.erode(img,kenel)

In [6]:

plt.imshow(img2[:,:,::-1])

Out[6]:

<matplotlib.image.AxesImage at 0x1251a7d50>

In [7]:

# 膨胀
img1 = cv.dilate(img,kenel)

In [8]:

plt.imshow(img1[:,:,::-1])

Out[8]:

<matplotlib.image.AxesImage at 0x1252d23d0>

开闭运算

In [9]:

open = cv.imread("./image/letteropen.png")

In [10]:

plt.imshow(open[:,:,::-1])

Out[10]:

<matplotlib.image.AxesImage at 0x12546d1d0>

In [11]:

kenel = np.ones((10,10),np.uint8)

In [12]:

cvopen = cv.morphologyEx(open,cv.MORPH_OPEN,kenel)

In [13]:

plt.imshow(cvopen)

Out[13]:

<matplotlib.image.AxesImage at 0x1256044d0>

In [14]:

close = cv.imread("./image/letterclose.png")

In [15]:

plt.imshow(close)

Out[15]:

<matplotlib.image.AxesImage at 0x12587fdd0>

In [16]:

cvclose = cv.morphologyEx(close,cv.MORPH_CLOSE,kenel)

In [17]:

plt.imshow(cvclose)

Out[17]:

<matplotlib.image.AxesImage at 0x125a5dcd0>

黑帽和礼帽

In [18]:

top = cv.morphologyEx(open,cv.MORPH_TOPHAT,kenel)

In [19]:

plt.imshow(top)

Out[19]:

<matplotlib.image.AxesImage at 0x125c8da10>

In [20]:

black = cv.morphologyEx(close,cv.MORPH_BLACKHAT,kenel)

In [21]:

plt.imshow(black)

Out[21]:

<matplotlib.image.AxesImage at 0x125da5710>

In [22]:

black

Out[22]:

array([[[ 0,  0,  1],
        [96, 95, 95],
        [15, 17, 16],
        ...,
        [ 0,  1,  0],
        [ 1,  1,  1],
        [ 1,  1,  1]],

       [[ 1,  1,  1],
        [95, 95, 95],
        [16, 17, 16],
        ...,
        [ 1,  0,  1],
        [ 1,  1,  1],
        [ 1,  1,  0]],

       [[ 1,  0,  1],
        [95, 96, 95],
        [16, 17, 16],
        ...,
        [ 1,  1,  1],
        [ 1,  1,  1],
        [ 1,  0,  1]],

       ...,

       [[ 0,  1,  1],
        [95, 96, 95],
        [16, 15, 16],
        ...,
        [ 1,  0,  0],
        [ 1,  1,  1],
        [ 1,  1,  0]],

       [[ 1,  1,  1],
        [96, 95, 95],
        [16, 16, 16],
        ...,
        [ 0,  1,  1],
        [ 1,  1,  1],
        [ 0,  1,  1]],

       [[ 1,  1,  0],
        [96, 96, 95],
        [16, 16, 16],
        ...,
        [ 1,  1,  0],
        [ 1,  0,  1],
        [ 1,  0,  1]]], dtype=uint8)

あずにゃん
关注
专栏目录
形态学操作
qq_45484797的博客
09-16 885
图像腐蚀的原理 腐蚀和膨胀是计算机视觉任务中两种最基本也是最重要的形态学运算， 它们是后续要介绍的很多高级形态学处理的基础，很多其他的形态学算法都是由这两种基本运算复合而成。 首先，先明确什么是结构元素。设有两幅图像p1, p2，若用p2用来处理p1， 则称p2为结构元素，它们的关系类似于滤波中图像和模板的关系。 该公式可以这样理解：让原本位于图像原点的结构元素B在整个Z 2 平面上移动，如果当B的原点平移至z点时B能够完全包含于A中，则所有这样的z点构成的集合即为B对A的腐蚀图像，如图1所示。 图像腐
Opencv图像处理--形态学操作
m0_45325271的博客
05-16 698
1 连通性 在图像中，最小的单位是像素，每个像素周围有8个临界像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示： 4邻接：像素p（x，y）的4邻域是：（x+1，y）；（x-1，y）；（x，y+1）；（x，y-1），用N4§表示像素p的4邻域 D邻接：像素p（x，y）的D邻域是：对角上的点（x+1，y+1）；（x+1，y-1）；（x-1，y+1）；（x-1，y-1），用ND§表示像素p的D邻域 8邻接：像素p（x，y）的8邻域是：4邻域的点+D邻域的点，用N8§表示像素p的8邻域 连通
10.2 形态学操作
qq_40066957的博客
05-10 491
形态学操作 学习目标 理解图像的邻域，连通性 了解不同的形态学操作：腐蚀，膨胀，开闭运算，礼帽和黑帽等，及其不同操作之间的关系 1 连通性 在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示： 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 ...
图像处理入门——形态学操作
gj295983859的博客
01-24 2784
形态学操作 1.连通性 在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示： 4邻接：像素p(x,y)的4邻域是：(x+1,y)；(x-1,y)；(x,y+1)；(x,y-1) D邻接：像素p(x,y)的D邻域是：对角上的点 (x+1,y+1)；(x+1,y-1)；(x-1,y+1)；(x-1,y-1)， 8邻接：像素p(x,y)的8邻域是： 4邻域的点 ＋ D邻域的点 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
图像处理--OpenCV学习笔记
最新发布
Prime me的博客
02-04 3106
OpenCV
Opencv-图像操作与处理入门基本知识（一）
热门推荐
HG0724的博客
05-21 1万+
文章目录前言一、图像基础知识二、opencv2.1 基础知识与应用2.1.1 读取图像2.1.2 显示图像2.1.3 显示图像2.1.4 基础操作示例2.2 色彩空间的改变2.3 图像的算术运算2.6 图像金字塔直方图原理与显示掩膜的应用直方图均衡化自适应的直方图均衡化总结 前言 基于python脚本语言开发的数字图片处理包，比如PIL(Python Image Library),Pillow, opencv, scikit-image等。 PIL和Pillow只提供最基础的数字图像处理，功能有限；
opencv中的形态学图像处理技术介绍
[opencv中的形态学图像处理技术介绍](https://img-blog.csdnimg.cn/df1dcee476c44c0c8f5814f244726acc.png) # 1. 图像处理基础概念 ### 1.1 数字图像的基本原理 在图像处理中，数字图像以矩阵形式表示，每个元素...
openCV形态学操作（膨胀腐蚀、开闭运算、礼帽和黑帽）
ShinDebonair
04-23 3029
形态学操作 学习目标 理解图像的邻域，连通性 了解不同的形态学操作：腐蚀，膨胀，开闭运算，礼帽和黑帽等，及其不同操作之间的关系 1 连通性 在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示： 4邻接：像素p(x,y)的4邻域是：(x+1,y)；(x-1,y)；(x,y+1)；(x,y-1)，用N_4§N4(p)表示像素p的4邻接 D邻接：像素p(x,y)的D邻域是：对角上的点 (x+1,y+1)；(x+1,y-1)；(x-1,y
KCG-VISION：形态学操作
楷尘·极客
06-20 567
新建工程 新建工程"Morphology"，其过程或下载软件可以参考《KCG-VISION：获取图片》。 实现效果 读取本地图片->形态学操作（腐蚀(0), 膨胀(1), 开运算(2), 闭运算(3), 形态学梯度(4), 顶帽(5), 黑帽(6)）。 最终算子脚本如下图 原始图像 腐蚀效果 膨胀效果 开运算效果 闭运算效果 形态学梯度效果 ...
OpenCV形态学图像处理：开闭运算、梯度与顶帽、黑帽详解
本文主要介绍了OpenCV中的形态学图像处理技术，特别是通过使用morphologyEx函数实现的高级形态学变换，包括开运算、闭运算、形态学梯度、顶帽和黑帽等操作。这些技术广泛应用于图像去噪、边缘检测和对象分割等领域。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

あずにゃん

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值