Opencv笔记（十二）——形态学转换
学习目标：
- 学习不同的形态学操作,例如腐蚀,膨胀,开运算,闭运算等
- 我们要学习的函数有: cv2.erode(), cv2.dilate(), cv2.morphologyEx()等
原理简介：
形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数,一个是原始图像,第二个被称为结构化元素或核,它是用来决定操作的性质的。两个基本的形态学操作是腐蚀和膨胀。他们的变体构成了开运算,闭运算,梯度等。
定义结构体元素：
形态学处理的核心就是定义结构元素，在OpenCV-Python中，可以使用其自带的getStructuringElement函数，也可以直接使用NumPy的ndarray来定义一个结构元素。首先来看用getStructuringElement函数定义一个结构元素：
element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))#十字架结构[[0 0 1 0 0]
[0 0 1 0 0]
[1 1 1 1 1]
[0 0 1 0 0]
[0 0 1 0 0]]
也可以用NumPy来定义结构元素，如下：
element = np.zeros((5,5),np.uint8)
for i in range(0,4,1):
element[i,2] = 1
element[2,i] = 1下面的讲解以下面这幅原图一为例：
一、腐蚀
就像土壤侵蚀一样,这个操作会把前景物体的边界腐蚀掉(但是前景仍然是白色)。这是怎么做到的呢?卷积核沿着图像滑动,如果与卷积核对应的原图像的所有像素值都是 1,那么中心元素就保持原来的像素值,否则就变为零。 这会产生什么影响呢?根据卷积核的大小靠近前景的所有像素都会被腐蚀掉(变为 0),所以前景物体会变小,整幅图像的白色区域会减少。这对于去除白噪声很有用,也可以用来断开两个连在一块的物体等。
import numpy as np
import cv2
img = cv2.imread('/home/wl/xing.jpg',0)
kernel = np.ones((5,5),np.uint8)
dst = cv2.erode(img,kernel,iterations = 1)
while(1):
cv2.imshow('opencv',dst)
k = cv2.waitKey(1) & 0XFF
if k == ord('q'):
break;
cv2.imwrite('/home/wl/1.jpg',dst)
cv2.destroyAllWindows()- cv2.erode(str,kernel,iterations = 1)函数第一个参数是输入图片，第二个参数是卷积核，第三个参数是迭代次数。
二、膨胀
与腐蚀相反,与卷积核对应的原图像的像素值中只要有一个是 1,中心元素的像素值就是 1。所以这个操作会增加图像中的白色区域(前景)。一般在去噪声时先用腐蚀再用膨胀。因为腐蚀在去掉白噪声的同时,也会使前景对象变小。所以我们再对他进行膨胀。这时噪声已经被去除了,不会再回来了,但是前景还在并会增加。膨胀也可以用来连接两个分开的物体。
import numpy as np
import cv2
img = cv2.imread('/home/wl/xing.jpg',0)
kernel = np.ones((5,5),np.uint8)
dst = cv2.dilate(img,kernel,iterations = 1)
while(1):
cv2.imshow('opencv',dst)
k = cv2.waitKey(1) & 0XFF
if k == ord('q'):
break;
cv2.imwrite('/home/wl/1.jpg',dst)
cv2.destroyAllWindows()
- cv2.dilate(str,kernel,iterations = 1)函数第一个参数是输入图片，第二个参数是卷积核，第三个参数是迭代次数。
三、开运算
先进行腐蚀再进行膨胀的运算就是开运算，腐蚀可以让那些在图像外面的小点点去掉，然后把主图像膨胀回去，实现去除图像外噪声。这里为了测试，将图像改一改，内外都加点白点试试，下图为原图二。
import numpy as np
import cv2
img = cv2.imread('/home/wl/a.png',0)
kernel = np.ones((5,5),np.uint8)
dst = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
while(1):
cv2.imshow('opencv',dst)
k = cv2.waitKey(1) & 0XFF
if k == ord('q'):
break;
cv2.imwrite('/home/wl/1.jpg',dst)
cv2.destroyAllWindows()
- cv2.morphologyEx(str, cv2.MORPH_OPEN, kernel)函数。
四、闭运算
先进行膨胀再进行腐蚀的运算就是闭运算，膨胀可以让那些在图像里面的小点点去掉，然后把主图像腐蚀回去。它经常被用来填充前景物体中的小洞,或者前景物体上的小黑点，实现去除图像内噪声。
import numpy as np
import cv2
img = cv2.imread('/home/wl/a.png',0)
kernel = np.ones((5,5),np.uint8)
dst = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
while(1):
cv2.imshow('opencv',dst)
k = cv2.waitKey(1) & 0XFF
if k == ord('q'):
break;
cv2.imwrite('/home/wl/1.jpg',dst)
cv2.destroyAllWindows()
- cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)函数。
五、形态学梯度
其实就是一幅图像膨胀与腐蚀的差别，结果看上去就像前景物体的轮廓。以原图一为例：
import numpy as np
import cv2
img = cv2.imread('/home/wl/xing.jpg',0)
kernel = np.ones((5,5),np.uint8)
dst = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
while(1):
cv2.imshow('opencv',dst)
k = cv2.waitKey(1) & 0XFF
if k == ord('q'):
break;
cv2.imwrite('/home/wl/1.jpg',dst)
cv2.destroyAllWindows()
- cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)函数。
六、礼帽
原始图像与其进行开运算后的图像进行一个差，以原图一为例。import numpy as np
import cv2
img = cv2.imread('/home/wl/xing.jpg',0)
kernel = np.ones((9,9),np.uint8)
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
while(1):
cv2.imshow('opencv',dst)
k = cv2.waitKey(1) & 0XFF
if k == ord('q'):
break;
cv2.imwrite('/home/wl/1.jpg',dst)
cv2.destroyAllWindows()
七、黑帽
进行闭运算之后得到的图像与原始图像的差，以原图一为例。import numpy as np
import cv2
img = cv2.imread('/home/wl/xing.jpg',0)
kernel = np.ones((9,9),np.uint8)
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
while(1):
cv2.imshow('opencv',dst)
k = cv2.waitKey(1) & 0XFF
if k == ord('q'):
break;
cv2.imwrite('/home/wl/1.jpg',dst)
cv2.destroyAllWindows()
函数总结：
- 腐蚀 cv2.erode(str,kernel,iterations = 1)
- 膨胀 cv2.dilate(str,kernel,iterations = 1)
- 开运算 cv2.morphologyEx(str, cv2.MORPH_OPEN, kernel)
- 闭运算 cv2.morphologyEx(str, cv2.MORPH_CLOSE, kernel)
- 形态学梯度 cv2.morphologyEx(str, cv2.MORPH_GRADIENT, kernel)
- 礼帽 cv2.morphologyEx(str, cv2.MORPH_TOPHAT, kernel)
- 黑帽 cv2.morphologyEx(str, cv2.MORPH_BLACKHAT, kernel)
