Python机器视觉--OpenCV进阶(核心)--图像的开,闭运算,形态学梯度,顶帽,黑帽运算

1.图像的开运算与闭运算

开运算和闭运算都是腐蚀和膨胀的基本应用. 若不了解何为腐蚀膨胀操作的话 请移步:

形态学概述与图像的腐蚀,膨胀操作与自动获取形态学卷积核(点击即可访问了解)

1.1 图像的开运算

在使用腐蚀操作时,在把图像噪点去除的同时,会对图像有缩边的影响,为了防止缩边影响原图像,可以使用开运算操作,既可以去除图像本身的噪点,也可以保留大部分图像的原始状态

• 开运算 = 腐蚀 + 膨胀 ,即为对图像先进行腐蚀操作,在进行膨胀操作
• morphologyEx(img, MORPH_OPEN, kernel)
  • MORPH_OPEN 表示形态学的开运算
  • kernel 如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel

代码实现

import cv2
import numpy as np

img = cv2.imread('./dotj.png')

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 腐蚀
# dst = cv2.erode(img, kernel, iterations=2)

# # 膨胀
# dst = cv2.dilate(dst, kernel, iterations=2)

# 直接调用opencv提供的开运算api
dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=2)

cv2.imshow('img', np.hstack((img, dst)))

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

效果如图

1.2 闭运算

闭运算与开运算类似,闭运算的操作流程为 先对图像进行膨胀操作,在进行腐蚀操作

• 闭运算 = 膨胀 + 腐蚀

闭运算代码实现

import cv2
import numpy as np

img = cv2.imread('./dotinj.png')

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=2)

cv2.imshow('img', np.hstack((img, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13

效果如图

2.形态学梯度,顶帽,黑帽运算

形态学梯度,顶帽,黑帽运算都是开运算,闭运算与原图的运算操作.

2.1形态学梯度

• 梯度 = 原图 - 腐蚀

• 腐蚀之后原图边缘变小了, 原图 - 腐蚀 就可以得到腐蚀掉的部分, 即边缘.

• morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

• morphologyEx函数的参数只比腐蚀erode函数和膨胀dilate函数多了一个参数op，其他参数名及含义完全一样，在此不重复介绍。

• op：为形态变换的类型，包括如下取值类型：

  • MORPH_ERODE：腐蚀，当调用morphologyEx使用MORPH_ERODE类型时，与调用腐蚀函数erode效果相同
  • MORPH_DILATE：膨胀，当调用morphologyEx使用MORPH_DILATE类型时，与调用膨胀函数dilate效果相同
  • MORPH_OPEN：开运算，对图像先进行腐蚀再膨胀，等同于dilate(erode(src,kernal))，开运算对图像的边界进行平滑、去掉凸起等
  • MORPH_CLOSE：闭运算，对图像先进行膨胀在腐蚀，等同于erode(dilate(src,kernal))，闭运算用于填充图像内部的小空洞、填充图像的凹陷等
  • MORPH_GRADIENT：梯度图，用膨胀图减腐蚀图，等同于dilate(src,kernal)−erode(src,kernal)，可以用于获得图像中物体的轮廓
  • MORPH_TOPHAT：顶帽，又称礼帽，用原图像减去开运算后的图像，等同于src−open(src,kernal)，可以用于获得原图像中比周围亮的区域
  • MORPH_BLACKHAT：黑帽，闭运算图像减去原图像，等同于close(src,kernal)−src，可以用于获取原图像中比周围暗的区域
  • MORPH_HITMISS：击中击不中变换，用于匹配处理图像中是否存在核对应的图像，匹配时，需要确保核矩阵非0部分和为0部分都能匹配，注意该变换只能处理灰度图像。

代码实现

import cv2
import numpy as np

img = cv2.imread('./j.png')

# 注意调节kernel大小以获得更清晰的边缘
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)

cv2.imshow('img', np.hstack((img, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

效果如图

2.2 顶帽运算

• 顶帽 = 原图 - 开运算
• 开运算的效果是去除图像外的噪点, 原图 - 开运算就得到了去掉的噪点.

代码实现

import cv2
import numpy as np

img = cv2.imread('./tophat.png')

# 注意调整kernel以保留小图形
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (19, 19))

dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=1)

cv2.imshow('img', np.hstack((img, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

2.3 黑帽操作

• 黑帽 = 原图 - 闭运算
• 闭运算可以将图形内部的噪点去掉, 那么原图 - 闭运算的结果就是图形内部的噪点.

代码实现

import cv2
import numpy as np

img = cv2.imread('./dotinj.png')

# 注意调节kernel大小以获得更清晰的边缘
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel, iterations=1)

cv2.imshow('img', np.hstack((img, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

效果如图