python-opencv 图像处理基础 （十）图像膨胀腐蚀+开闭操作

膨胀腐蚀

膨胀

• 结构元素与原图或操作
  腐蚀
• 结构元素与原图与操作

彩图和二值图都可进行膨胀腐蚀

最好是前景白色，背景白色。
腐蚀结果：

膨胀结果：

import cv2 as cv
import numpy as np

#腐蚀
def erode_demo(image):
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)# cv.THRESH_BINARY_INV 二值图取反
    cv.imshow("binary", binary)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (15, 15))#结构元素支持rect矩形 cross十字交叉 ellipse椭圆形  15越大腐蚀越严重
    dst = cv.erode(binary, kernel)
    cv.imshow("erode_demo", dst)

#膨胀
def dilate_demo(image):
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary", binary)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    dst = cv.dilate(binary, kernel)
    cv.imshow("dilate_demo", dst)


print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("../opencv-python-img/lena.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)

#对二值图进行膨胀腐蚀
erode_demo(src)
#dilate_demo(src)

#对彩图进行腐蚀膨胀
# kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
# dst = cv.erode(src, kernel)
# cv.imshow("result", dst)
cv.waitKey(0)

cv.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
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

开闭操作

开操作

• 图像形态学的重要操作之一，基于膨胀与腐蚀操作组合形成的。
• 主要是应用在二值图像分析中，灰度图像亦可。
• 开操作=腐蚀+膨胀， 输入图像 + 结构元素

闭操作

• 图像形态学的重要操作之一，基于膨胀与腐蚀操作组合形成的。
• 主要是应用在二值图像分析中，灰度图像亦可。
• 闭操作=膨胀+腐蚀， 输入图像 + 结构元素

开闭操作作用：

1. 去除小的干扰块-开操作
2. 填充闭合区域 – 闭操作
3. 水平或者垂直线提取

开操作和腐蚀区别（同样是去除噪点）：开操作去除噪点的同时，尽量保留其它结构元素不变。

闭操作和膨胀区别：填充闭合区域，其它结构元素不变。

kernel为（5,5）的开操作结果：

kernel 为（15,1）的开操作结果：

kernel 为（1,15）的开操作结果：

kernel 为（1,15）的闭操作结果：
kernel为（15,1）的闭操作：

（3,3）开操作：

import cv2 as cv
import numpy as np


def open_demo(image):
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
    cv.imshow("binary", binary)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (1,15))#（15,1）提取水平线（1,15）提取竖直线 rect矩形 cross十字交叉 ellipse椭圆形
    binary = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)
    cv.imshow("open-result", binary)


def close_demo(image):
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary", binary)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (15, 1))
    binary = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel)
    cv.imshow("close_demo", binary)


print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("../opencv-python-img/morph01.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
open_demo(src)
#close_demo(src)
cv.waitKey(0)

cv.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
26
27
28
29
30
31
32
33
34

顶帽黑帽

顶帽 tophat

• 顶帽是原图像与开操作之间的差值图像

黑帽blackhat

• 黑帽是闭操作图像与源图像的差值图像

灰度图 顶帽操作结果

灰度图 图像增强后的结果：理论上结果更清晰些

灰度图 黑帽操作结果：
二值图 顶帽操作：

二值图 黑帽操作

形态学梯度 Gradient

• 基本梯度
  基本梯度是用膨胀后的图像减去腐蚀后的图像得到差值
  图像，称为梯度图像也是opencv中支持的计算形态学
  梯度的方法，而此方法得到梯度有被称为基本梯度。
• 内部梯度
  是用原图像减去腐蚀之后的图像得到差值图像，称为图
  像的内部梯度
• 外部梯度
  图像膨胀之后再减去原来的图像得到的差值图像，称为
  图像的外部梯度

基本梯度：（15,15）
基本梯度（3,3）：

内梯度外梯度结果：

import cv2 as cv
import numpy as np

#顶帽tophat操作 
def top_hat_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (15, 15))
    dst = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel) #直接显示dst不清楚
    cimage = np.array(gray.shape, np.uint8)#由于直接显示dst不清楚，进行图像增强。增加常量，大小是gray.shape
    cimage = 120;
    dst = cv.add(dst, cimage)
    cv.imshow("tophat", dst)

#黑帽操作
def black_hat_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (15, 15))
    dst = cv.morphologyEx(gray, cv.MORPH_BLACKHAT, kernel)
    cimage = np.array(gray.shape, np.uint8)#由于直接显示dst不清楚，进行图像增强。增加常量，大小是gray.shape
    cimage = 120;
    dst = cv.add(dst, cimage)
    cv.imshow("black_hat", dst)


#对二值图进行顶帽、黑帽、基本梯度操作
def hat_binary_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
    #dst = cv.morphologyEx(binary, cv.MORPH_TOPHAT, kernel)# （15,15）
    #dst = cv.morphologyEx(binary, cv.MORPH_BLACKHAT, kernel)# （15,15）
    #dst = cv.morphologyEx(binary, cv.MORPH_GRADIENT, kernel)# （3,3）
    cv.imshow("tophat", dst)


#内梯度 外梯度操作
def gradient2_demo(image):
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
    dm = cv.dilate(image, kernel)
    em = cv.erode(image, kernel)
    dst1 = cv.subtract(image, em) # internal gradient 内梯度
    dst2 = cv.subtract(dm, image) # external gradient 外梯度
    cv.imshow("internal", dst1)
    cv.imshow("external", dst2)


print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("../opencv-python-img/morph.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
top_hat_demo(src)
# black_hat_demo(src)
# hat_binary_demo(src)
# gradient2_demo(src)
cv.waitKey(0)

cv.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
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58