Python常用图像形态学操作详解

目录

• 腐蚀
• 膨胀
• 开运算与闭运算
• 开运算
• 闭运算
• 梯度运算
• 礼帽与黑帽
• 礼帽
• 黑帽

腐蚀

在一些图像中，会有一些异常的部分，比如这样的毛刺：

对于这样的情况，我们就可以应用复式操作了。需要注意的是，腐蚀操作只能处理二值图像，即像素矩阵的值只有0（黑色）和255（白色）。我们先看看代码和效果：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
# 腐蚀的代码
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

这张图片已经几乎看不到毛刺了，但与此同时，三个文字也小了一点，这就是腐蚀操作。所谓腐蚀操作，就是我们设置一个n×n的矩阵，这个矩阵可以视为一个卷积核，在原图上进移动。矩阵覆盖住的像素点中，如果有0（黑色），那么该卷积核的中心位置置零，反之，如果该卷积核内全都是255，则不做操作：

注意：我们可以理解成腐蚀操作是完全根据原图生成的新图，而不是在原土上的修改。

接下来我们再看看腐蚀的代码：

kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

首先，我们要利用numpy库生成一个n×n大小的全1矩阵kernel作为卷积核，并且需要指定数据类型为无符号8位整数。然后使用erode()函数，其接收的参数分别为图像矩阵，kernel矩阵，以及迭代次数。迭代次数就是腐蚀操作的次数。下面我们用一个圆来查看一下不同迭代次数的腐蚀效果：

import cv2
import numpy as np
kernel = np.ones((30,30),np.uint8)
pie = cv2.imread('pie.png')
# 观察不同的迭代次数
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

膨胀

腐蚀操作可以腐蚀掉二值图像的边缘，因此可以消除掉一些图片上的毛刺，但是损失一些原图相中有效的部分也是在所难免的。膨胀其实就是腐蚀操作的反面。“卷积核”包裹住的像素中有255，则这个卷积核中心位置会置为255，否则不变。因此，膨胀操作会把原本的图像范围进行扩大：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')

kernel = np.ones((3,3),np.uint8)
# 膨胀操作
dige_dilate = cv2.dilate(img,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)

cv2.waitKey(0)
cv2.destroyAllWindows()

可以看到，膨胀操作后，图像的范围变大了一圈，就连毛刺也都扩大了。膨胀操作通常会配合腐蚀操作一起使用的，先腐蚀在膨胀，可以在保持图片中有效内容大小大体不变的情况下去除掉毛刺：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 腐蚀
erosion = cv2.erode(img,kernel,iterations = 1) # 对原图像进行腐蚀
# 膨胀
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1) # 对腐蚀后图像进行膨胀
cv2.imshow('dilate', dige_dilate)

cv2.waitKey(0)
cv2.destroyAllWindows()

其原理和参数意义与腐蚀操作类似，在此不做过多讲解。

开运算与闭运算

开运算与闭运算都是应用腐蚀与膨胀操作来处理原图像的。区别在于开运算是先腐蚀在膨胀，闭运算是先膨胀再腐蚀。这两个操作需要用到的函数都是morphologyEx()，只需要调整参数即可完成两种不同的操作。

开运算

执行开运算的函数是：

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

kernel依然是n×n的矩阵，cv2.MORPH_OPEN指定了执行运算为开运算：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果为：

闭运算

和开运算基本相同，只需要把morphologyEx()函数的第二个参数改为cv2.MORPH_CLOSE即可：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

很明显，先膨胀再腐蚀和原图并没有什么区别，仅仅是比原图大了一圈，因此闭运算也没有开运算应用广泛。

梯度运算

梯度运算本质是膨胀-腐蚀。从这个定义中不难发现，梯度就是原图的边缘部分。获取梯度依然要用到morphologyEx()函数，将第二个参数改为cv2.MORPH_GRADIENT即可：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 先用开运算把毛刺去掉：
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

得到的结果就是下面这样：

礼帽与黑帽

礼帽和黑帽都是翻译的结果，因此我们不能望文生义。礼貌操作就是原始图像-开运算结果，黑帽操作是闭运算-原始输入。依然是用morphologyEx()函数，通过修改第二个参数完成。

礼帽

礼帽操作需要用到的参数是cv2.MORPH_TOPHAT。由礼帽操作的定义可以直到，礼帽操作可以得到图片中的“毛刺”部分：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 礼帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

得到的结果为：

黑帽

黑帽操作需要用到的参数是cv2.MORPH_BLACKHAT，黑帽运算会输出执行闭运算后的图像比原图大出的一小圈轮廓：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((5,5),np.uint8) # kernel矩阵维度大一些会让黑帽操作的结果更明显
# 黑帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

到此这篇关于Python常用图像形态学操作详解的文章就介绍到这了,更多相关Python图像形态学内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！