07-形态学操作
1.图像腐蚀
在图像的形态学操作中腐蚀,主要是针对二值图像,使用卷积核的中心点逐个扫描原始图像,被扫描到的原始图像中的像素点,只有当卷积核对应的元素值均为1(白色)时,其值才为1(白色),否则值为0(黑色)
腐蚀是对白色部分(高亮部分)而言的,可以理解为删除对象边界的某些点的像素,也就是说效果图拥有比原图更小的高亮区域
函数erode
dst = cv2.erode(src,kernel,iterations)
1> src:源图像
2> kernel:卷积核
3> iterations:迭代次数,默认情况下迭代次数是1
比如:生成一个5*5的卷积核:
kernel = np.ones((5,5),np.uint8)
import cv2 import numpy as np img = cv2.imread(r"image\erode.bmp",cv2.IMREAD_UNCHANGED) # 卷积核 kernel = np.ones((5,5),np.uint8) # 图像腐蚀 erosion = cv2.erode(img,kernel,iterations=5) cv2.imshow("original",img) cv2.imshow("erosion",erosion) cv2.waitKey(0) cv2.destroyAllWindows()
图像腐蚀的实验结果:
2.图像膨胀
图像膨胀是图像腐蚀的逆操作,也主要是针对二值图像,使用卷积核的中心点逐个像素扫描原始图像,被扫描到的原始图像中的像素点,当卷积核对应的元素值只要有一个为1(白色)时,其值就为1(白色),否则值为0(黑色)
膨胀也是对白色部分(高亮部分)而言的,也就是说效果图拥有比原图更大的高亮区域
函数dilate
dst = cv2.dilate(src,kernel,iterations)
1> src:源图像
2> kernel:卷积核
3> iterations:迭代次数,默认情况下迭代次数是1
比如:生成一个5*5的卷积核:
kernel = np.ones((5,5),np.uint8)
import cv2 import numpy as np img = cv2.imread(r"image\dilation.bmp",cv2.IMREAD_UNCHANGED) # 卷积核 kernel = np.ones((5,5),np.uint8) # 图像膨胀 dilation = cv2.dilate(img,kernel,iterations=5) cv2.imshow("original",img) cv2.imshow("dilation",dilation) cv2.waitKey(0) cv2.destroyAllWindows()
图像膨胀的实验结果:
3.开运算
先腐蚀后膨胀,能够有效的去除噪声,并保持原有图像形状不变
函数morphologyEx
opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
1> img:源图像
2> cv2.MORPH_OPEN:开运算
3> kernel:卷积核
比如:生成一个5*5的卷积核:
kernel = np.ones((5,5),np.uint8)
import cv2 import numpy as np img = cv2.imread(r"image\opening.bmp",cv2.IMREAD_UNCHANGED) # 卷积核 kernel = np.ones((10,10),np.uint8) # 开运算,先腐蚀后膨胀 result= cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel) cv2.imshow("original",img) cv2.imshow("result",result) cv2.waitKey(0) cv2.destroyAllWindows()
开运算的实验结果:
4.闭运算
先膨胀后腐蚀,有助于关闭物体内的小孔,或者物体上的小黑点,并保持原有图像形状不变
函数morphologyEx
opening = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
1> img:源图像
2> cv2.MORPH_CLOSE:闭运算
3> kernel:卷积核
比如:生成一个5*5的卷积核:
kernel = np.ones((5,5),np.uint8)
import cv2 import numpy as np img = cv2.imread(r"image\closing.bmp",cv2.IMREAD_UNCHANGED) # 卷积核 kernel = np.ones((10,10),np.uint8) # 闭运算,先膨胀后腐蚀 result= cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel) cv2.imshow("original",img) cv2.imshow("result",result) cv2.waitKey(0) cv2.destroyAllWindows()
5.梯度运算
通过对原始图像分别进行膨胀和腐蚀处理,使梯度图像 = 膨胀图像 - 腐蚀图像
函数morphologyEx
result = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
1> img:源图像
2> cv2.MORPH_GRADIENT:梯度运算
3> kernel:卷积核
比如:生成一个5*5的卷积核:
kernel = np.ones((5,5),np.uint8)
import cv2 import numpy as np img = cv2.imread(r"image\gradient.bmp",cv2.IMREAD_UNCHANGED) # 卷积核 kernel = np.ones((10,10),np.uint8) # 梯度运算,梯度图像 = 膨胀图像 - 腐蚀图像 result= cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel) cv2.imshow("original",img) cv2.imshow("result",result) cv2.waitKey(0) cv2.destroyAllWindows()
梯度运算的实验结果:
6.礼帽操作
通过对原始图像进行开运算处理,使礼帽图像 = 原始图像 - 开运算图像
函数morphologyEx
result = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
1> img:源图像
2> cv2.MORPH_TOPHAT:礼帽操作
3> kernel:卷积核
比如:生成一个5*5的卷积核:
kernel = np.ones((5,5),np.uint8)
import cv2 import numpy as np img = cv2.imread(r"image\tophat.bmp",cv2.IMREAD_UNCHANGED) # 卷积核 kernel = np.ones((5,5),np.uint8) # 礼帽操作,礼帽图像 = 原始图像 - 开运算图像 result= cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel) cv2.imshow("original",img) cv2.imshow("result",result) cv2.waitKey(0) cv2.destroyAllWindows()
7.黑帽操作
通过对原始图像进行闭运算处理,使黑帽图像 = 闭运算图像 - 原始图像
函数morphologyEx
result = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
1> img:源图像
2> cv2.MORPH_BLACKHAT:黑帽操作
3> kernel:卷积核
比如:生成一个5*5的卷积核:
kernel = np.ones((5,5),np.uint8)
import cv2 import numpy as np img = cv2.imread(r"image\blackhat.bmp",cv2.IMREAD_UNCHANGED) # 卷积核 kernel = np.ones((10,10),np.uint8) # 黑帽操作,黑帽图像 = 闭运算图像 - 原始图像 result= cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel) cv2.imshow("original",img) cv2.imshow("result",result) cv2.waitKey(0) cv2.destroyAllWindows()
黑帽操作的实验结果: