二、 OpenCV之腐蚀与膨胀操作
"""
腐蚀操作是一种基本的形态学操作，其主要目的是消除图像中的边界点，使图像沿着边界向内收缩，同时去除小于指定结构体元素的部分。
在腐蚀操作中，通常会将二值图像中亮度高的部分（通常是白色部分）向内腐蚀。为了进行腐蚀操作，需要一个卷积核（也称为“结构元”），
它决定了腐蚀或膨胀的大小。卷积核可以由cv2.getStructuringElement()函数生成，也可以使用numpy库生成。卷积核的大小决定了形态学处理的面积和强度。
erode(src, kernel, iterations) src: 输入图像， 通常是二值图像 kernel: 结构元素，可以是一个矩阵，椭圆形或者其他形状，可以使用 cv2.getStructuringElement() 来生成一个结构元素 iterations: 腐蚀操作的次数 np.ones((num, num), type) np.ones((5, 5), uint) # 创建一个形状为（5, 5) 的二维数组，所有元素都是1，类型是整数 np.ones(5) # 创建一个长度为5的一维数组， 所有元素都是1 np.ones(3, 4) # 创建一个形状为 (3, 4) 的二维数组，所有元素都是 1 np.hstack((arg1, arg2, 。。。)) 用于在水平方向上将参数堆叠在一起 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) np.hstack((a, b)) --> [1, 2, 3, 4, 5, 6] c = np.array([[1, 2], [3, 4]]) d = np.array([[5, 6], [7, 8]]) np.hstack((c, d)) -- > [[1,2, 5, 6] [3, 4, 7, 8]] """ import cv2 import numpy as np def cv_show(name, img): # 显示图片， 也可以创建多个窗口，在窗口上显示图片 cv2.imshow(name, img) # 第一个参数代表图像名称，第二个参数代表图像 # 等待时间，毫秒级， 0 代表任意终止，按任意键关闭 cv2.waitKey(0) # 关闭窗口 cv2.destroyAllWindows() img = cv2.imread("../images/dige.png") kernel = np.ones((5, 5), np.uint8) # print(kernel.shape) # (5, 5) erosion = cv2.erode(img, kernel, iterations=1) res = np.hstack((img, erosion)) cv_show("erosion", res)
pie = cv2.imread("../images/pie.png") kernel = np.ones((20, 20), np.uint8) erosion_1 = cv2.erode(pie, kernel, iterations=1) erosion_3 = cv2.erode(pie, kernel, iterations=3) res = np.hstack((pie, erosion_1, erosion_3)) cv_show("res", res)
""" 在OpenCV库中，膨胀操作（Dilation）是一种图像处理技术，用于增加图像中白色区域（即高亮区域）的大小，或者填充图像中的小孔和裂缝。这个操作通常用于加强图像中的特征，消除小的噪声，以及连接相邻的物体。 膨胀操作可以通过cv2.dilate()函数来实现。与腐蚀操作类似，膨胀操作也需要一个卷积核（也称为结构元素）来定义膨胀的大小和形状。这个核通常是一个正方形的矩阵，其中的值可以是1或0，用于确定哪些像素应该被包含在膨胀操作中。 """ import cv2 import numpy as np def cv_show(name, img): # 显示图片， 也可以创建多个窗口，在窗口上显示图片 cv2.imshow(name, img) # 第一个参数代表图像名称，第二个参数代表图像 # 等待时间，毫秒级， 0 代表任意终止，按任意键关闭 cv2.waitKey(0) # 关闭窗口 cv2.destroyAllWindows() img = cv2.imread("../images/dige.png") # cv_show("img", img) # 腐蚀操作 kernel = np.ones((3, 3), np.uint8) erosion = cv2.erode(img, kernel, iterations=1) # cv_show("erosion", erosion) # 膨胀操作 dilate = cv2.dilate(erosion, kernel, iterations=1) # cv_show("dilate", dilate) res = np.hstack((img, erosion, dilate)) cv_show("res", res)
pie = cv2.imread("../images/pie.png") kernel = np.ones((30, 30), np.uint8) dilate_1 = cv2.dilate(pie, kernel, iterations=1) dilate_3 = cv2.dilate(pie, kernel, iterations=3) res = np.hstack((pie, dilate_1, dilate_3)) cv_show("res", res)
""" 开运算，先腐蚀再膨胀 闭运算， 先膨胀再腐蚀 cv2.MORPH_OPEN: 开运算 cv2.MORPH_CLOSE: 闭运算 """ import cv2 import numpy as np def cv_show(name, img): # 显示图片， 也可以创建多个窗口，在窗口上显示图片 cv2.imshow(name, img) # 第一个参数代表图像名称，第二个参数代表图像 # 等待时间，毫秒级， 0 代表任意终止，按任意键关闭 cv2.waitKey(0) # 关闭窗口 cv2.destroyAllWindows() img = cv2.imread("../images/dige.png") # 开运算，先腐蚀再膨胀， 先把图片的毛刺去掉，然后再恢复成原来的宽度 kernel = np.ones((5, 5), np.uint8) opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) res = np.hstack((img, opening)) cv_show("opening", res)
# 闭运算， 先膨胀再腐蚀， 先进行膨胀，毛刺更多，再腐蚀就腐蚀不掉了 img = cv2.imread("../images/dige.png") kernel = np.ones((5, 5), np.uint8) closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) res = np.hstack((img, closing)) cv_show("opening", res)
"""
在OpenCV中，图像梯度指的是图像灰度值变化的速度或速率。对于图像的边缘部分，其两侧灰度值相差较大，因此梯度值也较大。通过计算图像梯度，可以突出图像的边缘信息。
梯度计算 == 膨胀 - 腐蚀 cv2.MORPH_GRADIENT: 梯度计算， 图像的减法操作 """ import cv2 import numpy as np def cv_show(name, img): # 显示图片， 也可以创建多个窗口，在窗口上显示图片 cv2.imshow(name, img) # 第一个参数代表图像名称，第二个参数代表图像 # 等待时间，毫秒级， 0 代表任意终止，按任意键关闭 cv2.waitKey(0) # 关闭窗口 cv2.destroyAllWindows() pie = cv2.imread("../images/pie.png") kernel = np.ones((7, 7), np.uint8) dilate = cv2.dilate(pie, kernel, iterations=5) erosion = cv2.erode(pie, kernel, iterations=5) # 梯度计算 == 膨胀操作 - 腐蚀操作 gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel) res = np.hstack((dilate, erosion, gradient)) cv_show("gradient", res)
""" 礼帽: 原始输入 - 开运算 黑帽: 闭运算 - 原始输入 cv2.MORPH_TOPHAT: 礼帽 cv2.MORPH_BLACKHAT: 黑帽 """ import cv2 import numpy as np def cv_show(name, img): # 显示图片， 也可以创建多个窗口，在窗口上显示图片 cv2.imshow(name, img) # 第一个参数代表图像名称，第二个参数代表图像 # 等待时间，毫秒级， 0 代表任意终止，按任意键关闭 cv2.waitKey(0) # 关闭窗口 cv2.destroyAllWindows() img = cv2.imread("../images/dige.png") cv_show("image", img) # 礼帽 ( 原始输入 - 开运算(先腐蚀没有刺了， 再膨胀) == 就剩刺了) kernel = np.ones((7, 7), np.uint8) tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) cv_show("tophat", tophat)
# 黑帽 (闭运算(先膨胀更多刺了，再腐蚀) - 原始输入 == 原始的小轮廓) img = cv2.imread("../images/dige.png") blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel) cv_show("blackhat", blackhat)
""" 图像梯度Sobel算子是计算机视觉领域的一种重要处理方法，主要用于获取数字图像的一阶梯度，常用于边缘检测。是一个离散性查分算子 通过计算图像亮度函数的梯度之近似值来工作。在图像的任何一点使用次算子，都会产生对应的梯度矢量或是其法矢量 sobel算子由两个 3X3的卷积核构成，分别用于计算中心像素邻域的灰度加权差，这两个卷积核分为垂直方向和竖直方向。 当进行边缘检测时，Sobel算子会把图像中每一个像素的上下左右四领域灰度值加权差，在边缘处达到极值从而检测边缘。此外， 在计算法线时，也可以用于计算法线的横向偏移和纵向偏移 cv2.Sobel(src, ddepth, dx, dy, ksize) ddepth: 图像的深度 dx, dy分别表示水平和竖直方向 ksize是Sobel算子的大小 cv2.addWeighted(src1, alpha, src2, beta, gamma) src1: 图像1 alpha: 图像1权重 src2: 图像2 beta: 图像2权重 gamma: 添加到加权总和上的标量值 """ import cv2 import numpy as np def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() img = cv2.imread("../images/pie.png") sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) res = np.hstack((img, sobelx)) cv_show("sobelx", res)
# 白到黑是正数，黑到白是负数， 所有的负数都会被截断成0， 所以要取绝对值，所以上图右侧都变成黑色 sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) sobelx_abs = cv2.convertScaleAbs(sobelx) sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) sobely_abs = cv2.convertScaleAbs(sobely) res = np.hstack((img, sobelx_abs, sobely_abs)) cv_show("sobel_abs", res)
# 分别计算x和y，再求和 sobelx_y = cv2.addWeighted(sobelx_abs, 0.5, sobely_abs, 0.5, 0) # 不建议直接计算，直接将权重设置为 1，效果不是不如 x + y sobelx__y = cv2.Sobel(img, cv2.CV_64F, 1, 1, ksize=3) sobelx__y = cv2.convertScaleAbs(sobelx__y) res = np.hstack((img, sobelx_y, sobelx__y)) cv_show("sobel_x_y", res)
import cv2 import numpy as np def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() img = cv2.imread("../images/lena.jpg", cv2.IMREAD_GRAYSCALE) sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) sobelx = cv2.convertScaleAbs(sobelx) sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) sobely = cv2.convertScaleAbs(sobely) res = np.hstack((img, sobelx, sobely)) cv_show("res", res)
sobelx_y = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0) # 直接 x + y sobelx__y = cv2.Sobel(img, cv2.CV_64F, 1, 1, ksize=3) # 直接相加 sobelx__y = cv2.convertScaleAbs(sobelx__y) res = np.hstack((img, sobelx_y, sobelx__y)) cv_show("res_x_y", res)
""" Scharr算子 """ import cv2 import numpy as np def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() img = cv2.imread("../images/lena.jpg", cv2.IMREAD_GRAYSCALE) sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) sobelx = cv2.convertScaleAbs(sobelx) sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) sobely = cv2.convertScaleAbs(sobely) sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0) scharrx = cv2.Scharr(img, cv2.CV_64F, 1, 0) scharrx = cv2.convertScaleAbs(scharrx) scharry = cv2.Sobel(img, cv2.CV_64F, 0, 1) scharry = cv2.convertScaleAbs(scharry) scharrxy = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0) laplacian = cv2.Laplacian(img, cv2.CV_64F) laplacian = cv2.convertScaleAbs(laplacian) res = np.hstack((sobelxy, scharrxy, laplacian)) cv_show("res", res)
