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

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)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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