图像运算和图像增强三

图像运算和图像增强三

1.图像形态学处理之腐蚀和膨胀

（1）形态学理论知识
常见的图像形态学运算：腐蚀、开运算（Opening Operation）、闭运算（Closing Operation）、梯度运算（Morphological
Gradient）、顶帽运算（Top Hat）、黑帽运算（Black Hat）
dst = cv2.morphologyEx(src, model, kernel)
（2）图像腐蚀（去噪A-B）
图像的腐蚀（Erosion）和膨胀（Dilation）是两种基本的形态学运算，主
要用来寻找图像中的极小区域和极大区域。将图像中的高亮区域或白色部分进行缩减细化，其运行结果比原图的高亮区域更小。
dst = cv2.erode(src, kernel, iterations)
src原始图像，kernel卷积核，interations迭代次数1

import cv2
import numpy as np
# 读取图片
src=cv2.imread('test01.jpg',cv2.IMREAD_UNCHANGED)
#设置卷积核
kernel=np.ones((5,5),np.uint8)
#图像腐蚀处理
erosion=cv2.erode(src,kernel)
#显示图像
cv2.imshow('src',src)
cv2.imshow('result',erosion)
#等待显示
cv2.waitKey(0)
cv2.destoryAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

（3）图像膨胀
图像膨胀是腐蚀操作的逆操作，类似于“领域扩张”，它将图像中的高亮区域或白色部分进行扩张，其运行结果比原图的高亮区域更大。图像被腐蚀处理后，它将去除噪声，但同时会压缩图像，而图像膨胀操作可以去除噪声并保持原有形状。

import cv2
import numpy as np
# 读取图片
src=cv2.imread('指纹.jpg',cv2.IMREAD_UNCHANGED)
#设置卷积核
kernel=np.ones((5,5),np.uint8)
#图像腐蚀处理
erosion=cv2.dilate(src,kernel)
#显示图像
cv2.imshow('src',src)
cv2.imshow('result',erosion)
#等待显示
cv2.waitKey(0)
cv2.destoryAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

2.图像形态学处理之开运算、闭运算和梯度运算

（1）开运算、闭运算
开运算一般能平滑图像的轮廓，削弱狭窄部分，去掉较细的突出。闭运算也是平滑图像的轮廓，与开运算相反，它一般熔合窄的缺口和细长的弯口，去掉小洞，填补轮廓上的缝隙。
图像开运算是图像依次经过腐蚀、膨胀处理的过程，图像被腐蚀后将去除噪声，但同时也压缩了图像，接着对腐蚀过的图像进行膨胀处理，可以在保留原有图像的基础上去除噪声。
图像闭运算是图像依次经过膨胀、腐蚀处理的过程，先膨胀后腐蚀有助于过滤前景物体内部的小孔或物体上的小黑点。

import cv2 
import numpy as np 
#读取图片
src = cv2.imread('test01.png', cv2.IMREAD_UNCHANGED)
#读取图片
src1 = cv2.imread('test02.png', cv2.IMREAD_UNCHANGED)

#设置卷积核,卷积核越大图像处理越越干净
kernel = np.ones((5,5), np.uint8)
kernel1 = np.ones((10,10), np.uint8)

#图像开运算
result = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)
#图像闭运算
result1 = cv2.morphologyEx(src1, cv2.MORPH_CLOSE, kernel1)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)
cv2.imshow("src1", src1)
cv2.imshow("result1", result1)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

（2）图像梯度运算
图像梯度运算是图像膨胀处理减去图像腐蚀处理后的结果，从而得到图像的轮廓，主要调用 morphologyEx()实现

import cv2 
import numpy as np 
#读取图片
src = cv2.imread('test03.png', cv2.IMREAD_UNCHANGED)
#设置卷积核
kernel = np.ones((10,10), np.uint8)
#图像梯度运算
result = cv2.morphologyEx(src, cv2.MORPH_GRADIENT, kernel)
#显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

3.图像形态学处理之顶帽运算和底帽运算

(1)图像顶帽运算
图像顶帽运算是用一个结构元通过开运算从一幅图像中删除物体，顶帽运算用于暗背景上的亮物体，它的一个重要用途是校正不均匀光照的影响。dst = cv2.morphologyEx(src,cv2.MORPH_TOPHAT, kernel)

import cv2 
import numpy as np 
#读取图片
src = cv2.imread('test01.png', cv2.IMREAD_UNCHANGED)
#设置卷积核
kernel = np.ones((10,10), np.uint8)
#图像顶帽运算
result = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel)
#显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

(2)图像底帽运算
图像底帽运算是用一个结构元通过闭运算从一幅图像中删除物体，常用于校正不均匀光照的影响。dst=cv2.morphologyEx(src,cv2.MORPH_BLACKHAT, kernel)

import cv2 
import numpy as np
#读取图片
src = cv2.imread('test02.png', cv2.IMREAD_UNCHANGED)
#设置卷积核
kernel = np.ones((10, 10), np.uint8)
#图像黑帽运算
result = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)
#显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14