形态学笔记：侵蚀+膨胀+开运算+闭运算+形态学梯度+顶帽运算+黑帽运算

形态学

一般在二值图上操作
输入：原图、操作结构内核

简单阈值

对于每个像素，应用相同的阈值。如果像素值小于阈值，则将其设置为0，否则将其设置为最大值
原图–>灰度图–>二值图

logo = cv2.imread('./fans.jpg')
# 参数1 被转换的图像
# 参数2 原图转为灰度图
logo_gray = cv2.cvtColor(logo, cv2.COLOR_BGR2GRAY)
# 转为二值图
# 参数1 灰度图
# 参数2 阈值 小于阈值为0
# 参数3 大于阈值为maxval
# 参数4 类型    cv2.THRESH_BINARY   cv2.THRESH_OTSU 会自适应阈值
# retval, logo_binary = cv2.threshold(logo_gray, 100, 255, cv2.THRESH_BINARY)
retval, logo_binary = cv2.threshold(logo_gray, 100, 255, cv2.THRESH_OTSU)
1
2
3
4
5
6
7
8
9
10
11

侵蚀

内核在原图上滑动，内核框住的元素全为1才为1（保留1），否则为0（侵蚀）

import cv2
import numpy as np

img = cv2.imread('./imgs/py_black.png')

# kernel = np.ones((5, 5))
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 参数1 原图
# 参数2 核
# 参数3 侵蚀次数
erode_img = cv2.erode(img, kernel, iterations=1)
cv2.imshow('1', img)
cv2.imshow('2', erode_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

原图

侵蚀后

膨胀

内核在原图上滑动，内核框住的元素只要有1为1（膨胀），否则为0（保留0）

import cv2
import numpy as np

img = cv2.imread('./imgs/py_black.png')
# kernel = np.ones((5, 5))
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 参数1 原图
# 参数2 核
# 参数3 膨胀次数
dilate_img = cv2.dilate(img, kernel, iterations=1)
cv2.imshow('1', img)
cv2.imshow('2', dilate_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

原图

膨胀后

开运算

侵蚀+膨胀
先侵蚀后膨胀，用于消除噪声

import cv2
import numpy as np

img = cv2.imread('./imgs/py_open.png')
# kernel = np.ones((5, 5))
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 参数1 原图
# 参数2 形态操作的类型
# 参数3 核
# 参数3 侵蚀次数
open_img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=1)
# erode_img = cv2.erode(img, kernel, iterations=1)
# open_img = cv2.dilate(erode_img, kernel, iterations=1)

cv2.imshow('1', img)
cv2.imshow('2', open_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

原图

开运算后

闭运算

膨胀+侵蚀
先膨胀后侵蚀，用于消除图像中小的暗点

import cv2
import numpy as np

img = cv2.imread('./imgs/py_close.png')
# kernel = np.ones((5, 5))
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 参数1 原图
# 参数2 形态操作的类型
# 参数3 核
# 参数3 侵蚀次数
close_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=1)
# dilate_img = cv2.dilate(img, kernel, iterations=1)
# close_img = cv2.erode(dilate_img, kernel, iterations=1)

cv2.imshow('1', img)
cv2.imshow('2', close_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

原图

闭运算后

形态学梯度

原图 - 侵蚀 = 轮廓线

import cv2
import numpy as np

img = cv2.imread('./imgs/py_black.png')
# kernel = np.ones((5, 5))
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 参数1 原图
# 参数2 形态操作的类型
# 参数3 核
# 参数3 侵蚀次数
gradient_img = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)

cv2.imshow('1', img)
cv2.imshow('2', gradient_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

原图

梯度后

顶帽运算

原图 - 开运算(侵蚀+膨胀) = 外部噪点

import cv2
import numpy as np

img = cv2.imread('./imgs/py_open.png')
# kernel = np.ones((5, 5))
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 参数1 原图
# 参数2 形态操作的类型
# 参数3 核
# 参数3 侵蚀次数
tophat_img = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=1)

cv2.imshow('1', img)
cv2.imshow('2', tophat_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

原图

顶帽后

黑帽运算

原图 - 闭运算(膨胀+侵蚀) = 内部噪点

import cv2
import numpy as np

img = cv2.imread('./imgs/py_close.png')
# kernel = np.ones((5, 5))
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 参数1 原图
# 参数2 形态操作的类型
# 参数3 核
# 参数3 侵蚀次数
blackhat_img = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel, iterations=1)

cv2.imshow('1', img)
cv2.imshow('2', blackhat_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

原图

黑帽后