Python常用圖像形態(tài)學(xué)操作詳解

第Python常用圖像形態(tài)學(xué)操作詳解目錄腐蝕膨脹開運算與閉運算開運算閉運算梯度運算禮帽與黑帽禮帽黑帽

腐蝕

在一些圖像中，會有一些異常的部分，比如這樣的毛刺：

對于這樣的情況，我們就可以應(yīng)用復(fù)式操作了。需要注意的是，腐蝕操作只能處理二值圖像，即像素矩陣的值只有0（黑色）和255（白色）。我們先看看代碼和效果：

importcv2

importnumpyasnp

img=cv2.imread('dagongren.png')

#腐蝕的代碼

kernel=np.ones((3,3),np.uint8)

erosion=cv2.erode(img,kernel,iterations=1)

cv2.imshow('erosion',erosion)

cv2.waitKey(0)

cv2.destroyAllWindows()

這張圖片已經(jīng)幾乎看不到毛刺了，但與此同時，三個文字也小了一點，這就是腐蝕操作。所謂腐蝕操作，就是我們設(shè)置一個nn的矩陣，這個矩陣可以視為一個卷積核，在原圖上進移動。矩陣覆蓋住的像素點中，如果有0（黑色），那么該卷積核的中心位置置零，反之，如果該卷積核內(nèi)全都是255，則不做操作：

注意：我們可以理解成腐蝕操作是完全根據(jù)原圖生成的新圖，而不是在原土上的修改。

接下來我們再看看腐蝕的代碼：

kernel=np.ones((3,3),np.uint8)

erosion=cv2.erode(img,kernel,iterations=1)

首先，我們要利用numpy庫生成一個nn大小的全1矩陣kernel作為卷積核，并且需要指定數(shù)據(jù)類型為無符號8位整數(shù)。然后使用erode()函數(shù)，其接收的參數(shù)分別為圖像矩陣，kernel矩陣，以及迭代次數(shù)。迭代次數(shù)就是腐蝕操作的次數(shù)。下面我們用一個圓來查看一下不同迭代次數(shù)的腐蝕效果：

importcv2

importnumpyasnp

kernel=np.ones((30,30),np.uint8)

pie=cv2.imread('pie.png')

#觀察不同的迭代次數(shù)

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()

膨脹

腐蝕操作可以腐蝕掉二值圖像的邊緣，因此可以消除掉一些圖片上的毛刺，但是損失一些原圖相中有效的部分也是在所難免的。膨脹其實就是腐蝕操作的反面。卷積核包裹住的像素中有255，則這個卷積核中心位置會置為255，否則不變。因此，膨脹操作會把原本的圖像范圍進行擴大：

importcv2

importnumpyasnp

img=cv2.imread('dagongren.png')

kernel=np.ones((3,3),np.uint8)

#膨脹操作

dige_dilate=cv2.dilate(img,kernel,iterations=1)

cv2.imshow('dilate',dige_dilate)

cv2.waitKey(0)

cv2.destroyAllWindows()

可以看到，膨脹操作后，圖像的范圍變大了一圈，就連毛刺也都擴大了。膨脹操作通常會配合腐蝕操作一起使用的，先腐蝕在膨脹，可以在保持圖片中有效內(nèi)容大小大體不變的情況下去除掉毛刺：

importcv2

importnumpyasnp

img=cv2.imread('dagongren.png')

kernel=np.ones((3,3),np.uint8)

erosion=cv2.erode(img,kernel,iterations=1)#對原圖像進行腐蝕

dige_dilate=cv2.dilate(erosion,kernel,iterations=1)#對腐蝕后圖像進行膨脹

cv2.imshow('dilate',dige_dilate)

cv2.waitKey(0)

cv2.destroyAllWindows()

其原理和參數(shù)意義與腐蝕操作類似，在此不做過多講解。

開運算與閉運算

開運算與閉運算都是應(yīng)用腐蝕與膨脹操作來處理原圖像的。區(qū)別在于開運算是先腐蝕在膨脹，閉運算是先膨脹再腐蝕。這兩個操作需要用到的函數(shù)都是morphologyEx()，只需要調(diào)整參數(shù)即可完成兩種不同的操作。

開運算

執(zhí)行開運算的函數(shù)是：

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

kernel依然是nn的矩陣，cv2.MORPH_OPEN指定了執(zhí)行運算為開運算：

importcv2

importnumpyasnp

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()

結(jié)果為：

閉運算

和開運算基本相同，只需要把morphologyEx()函數(shù)的第二個參數(shù)改為cv2.MORPH_CLOSE即可：

importcv2

importnumpyasnp

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()

很明顯，先膨脹再腐蝕和原圖并沒有什么區(qū)別，僅僅是比原圖大了一圈，因此閉運算也沒有開運算應(yīng)用廣泛。

梯度運算

梯度運算本質(zhì)是膨脹-腐蝕。從這個定義中不難發(fā)現(xiàn)，梯度就是原圖的邊緣部分。獲取梯度依然要用到morphologyEx()函數(shù)，將第二個參數(shù)改為cv2.MORPH_GRADIENT即可：

importcv2

importnumpyasnp

img=cv2.imread('dagongren.png')

kernel=np.ones((3,3),np.uint8)

#先用開運算把毛刺去掉：

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()

得到的結(jié)果就是下面這樣：

禮帽與黑帽

禮帽和黑帽都是翻譯的結(jié)果，因此我們不能望文生義。禮貌操作就是原始圖像-開運算結(jié)果，黑帽操作是閉運算-原始輸入。依然是用morphologyEx()函數(shù)，通過修改第二個參數(shù)完成。

禮帽

禮帽操作需要用到的參數(shù)是cv2.MORPH_TOPHAT。由禮帽操作的定義可以直到，禮帽操作可以得到圖片中的毛刺部分：

importcv2

importnumpyasnp

img=cv2.imread('dagongren.png')

kernel=np.ones((3,3),np.uint8)

#禮帽操作

tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)

cv2.imshow('tophat',tophat)

cv2.waitKey(0)

cv2.destroyAllWindows()

得到的結(jié)果為：

黑帽

黑帽操作需要用到的參數(shù)是cv2.MORPH_BLACKHAT，黑帽運算會輸出執(zhí)行閉運算后的圖像比原圖大出的一小圈輪廓：

importcv2

importnumpyasnp

img=cv2.imread('dagongren.