【OpenCV 学习笔记】第八章: 形态学操作

第八章: 形态学操作

什么是形态学操作？
形态学，morphology, 形态学最初是生物学中研究动物和植物结构的一个分支，被引入图像处理领域后，图像形态学就指以形态为基础对图像进行分析的一种方法或技术。
图像形态学操作的核心思想是：从图像中提取用于表达或描绘图像形状的信息。
图像形态学操作的目的是：使计算机更够更好的对图像进行识别和理解。因为图像形态学处理后可以简化图像数据，同时保存了它们基本的形状特性，去除了不相干的结构。
关键点：图像形态学操作主要是对二值图像进行操作的，来连接相邻的元素或分离成独立的元素。其次是灰度图像，但处理彩色图像几乎没有意义！
图像形态学操作主要有：膨胀、腐蚀、开运算、闭运算、梯度运算、礼帽运算、黑帽运算，击中与击不中变换等等。
其中膨胀和腐蚀是基本操作，后面的操作都是在膨胀和腐蚀的基础上延申而来的。
图像形态学操作有哪些应用领域？由于对图像进行形态学操作后，可以实现比如消除噪声、提取边界、填充区域、提取连通分量、凸壳、细化、粗化等；还可以分割出独立的图像元素，或者图像中相邻的元素；求取图像中明显的极大值区域和极小值区域；求取图像梯度等等，所以在视觉检测、图像理解、文字识别、医学图像处理、图像压缩编码等领域有非常重要的应用。

一、图像腐蚀

顾名思义，是将物体的边缘加以腐蚀。具体的操作是拿一个宽m高n的矩形作为kernel，对图像中的每一个像素进行扫描，扫描后的图像的每个像素点和原图的位置对应，同时和扫描时kernel的中心点对应。用kernel遍历原图的所有像素，每遍历一次就将对应位置的像素点更改为kernel中的最小值。这样原图所有像素遍历一轮后，原图中突出的像素点就会被置为最小值，人类视觉看起来就是图像被腐蚀了。

思考题：为什么上面右图腐蚀后的效果是字变胖了？

API: cv2.erode(img, kernel [, anchor, iterations, borderType ])
```
#例8.1 观察cv2.erode()函数效果  
import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(r'C:\Users\25584\Desktop\erode.bmp', -1)
kernel1 = np.ones((5,5), np.uint8)
kernel2 = np.ones((9,9), np.uint8)
img_erode_kernel1 = cv2.erode(img, kernel1)
img_erode_kernel2 = cv2.erode(img, kernel2)

fig, axes = plt.subplots(1,3, figsize=(10,5), dpi=100)
axes[0].imshow(img)
axes[1].imshow(img_erode_kernel1)
axes[2].imshow(img_erode_kernel2)
plt.show()
```
二、图像膨胀

膨胀和腐蚀是一对儿相反的操作，膨胀能对图像的边界进行扩展，就是将图像的轮廓加以膨胀。
操作方法与腐蚀操作一样，也是拿一个kernel，对图像的每个像素做遍历处理。不同之处在于生成的像素值不是所有像素中最小的值，而是最大的值。这样操作的结果会将图像外围的突出点连接并向外延伸。

思考题：为什么上面右图膨胀后的效果是字变瘦了？

API: cv2.dilate(img, kernel [, anchor, iterations, borderType ])

#例8.2 观察cv2.dilate()函数效果  
import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(r'C:\Users\25584\Desktop\dilation.bmp', -1)
kernel1 = np.ones((5,5), np.uint8)
kernel2 = np.ones((9,9), np.uint8)
img_dilate_kernel1 = cv2.dilate(img, kernel1)
img_dilate_kernel2 = cv2.dilate(img, kernel2)

fig, axes = plt.subplots(1,3, figsize=(10,5), dpi=100)
axes[0].imshow(img)
axes[1].imshow(img_dilate_kernel1)
axes[2].imshow(img_dilate_kernel2)
plt.show()

三、图像开运算、闭运算、梯度运算、礼帽运算、黑帽运算、击中不击中变换

腐蚀和膨胀是图像形态学运算的基础，将膨胀和腐蚀进行组合就得出开闭运算、梯度、礼帽、黑帽等不同形式的运算：

开运算cv2.MORPH_OPEN：先腐蚀后膨胀--dilate(erode(img))
闭运算cv2.MORPH_CLOSE：先膨胀后腐蚀--erode(dilate(img))
形态学梯度cv2.MORPH_GRADIENT：膨胀图-腐蚀图--dilate(img)-erode(img)
礼帽运算cv2.MORPH_TOPHAT：也叫顶帽运算，原始图像-开运算结果 -- img-open(img)
黑帽运算cv2.MORPH_BLACKHAT: 闭运算结果-原始图像 -- close(img)-img
击中不击中cv2.MORPH_HITMISS: 前景、背景腐蚀运算的交集 -- intersection(erode(img), erode(notimg))

API: cv2.morphologyEx(img, op, kernel, anchor, iterations, borderType)
其中参数op就是上面的几种类型。

1、开运算：

#例8.3 使用函数cv2.morphologyEx()实现开运算
import cv2
import numpy as np
import matplotlib.pyplot as plt

img1 = cv2.imread(r'C:\Users\25584\Desktop\opening.bmp')
img2 = cv2.imread(r'C:\Users\25584\Desktop\opening2.bmp')

kernel = np.ones((10,10), np.uint8)
img_open1 = cv2.morphologyEx(img1, cv2.MORPH_OPEN, kernel)
img_open2 = cv2.morphologyEx(img2, cv2.MORPH_OPEN, kernel)

fig, axes = plt.subplots(1,4, figsize=(10,5), dpi=100)
axes[0].imshow(img1)
axes[1].imshow(img2)
axes[2].imshow(img_open1)
axes[3].imshow(img_open2)
plt.show()

说明：开运算可以去噪、计数等。比如识别一张图像中有几个人，要先把人和人重叠的部分分开，然后再计数。

2、闭运算：

#例8.4 使用函数cv2.morphologyEx()实现闭运算
import cv2
import numpy as np
import matplotlib.pyplot as plt

img1 = cv2.imread(r'C:\Users\25584\Desktop\closing.bmp')
img2 = cv2.imread(r'C:\Users\25584\Desktop\closing2.bmp')

kernel = np.ones((10,10), np.uint8)
img_close1 = cv2.morphologyEx(img1, cv2.MORPH_CLOSE, kernel, iterations=3)
img_close2 = cv2.morphologyEx(img2, cv2.MORPH_CLOSE, kernel, iterations=3)

fig, axes = plt.subplots(1,4, figsize=(10,5), dpi=100)
axes[0].imshow(img1)
axes[1].imshow(img2)
axes[2].imshow(img_close1)
axes[3].imshow(img_close2)
plt.show()

说明：闭运算可以去除前景物内部的黑点，还可以将不同前景图像进行连接，就是实现前景图像的连接。

3、形态学梯度运算： 该操作可以获取前景图像的边缘
用膨胀图像(扩张亮度)-腐蚀图像(收缩亮度)，就可以获取原始图像中的前景图像的边缘。

#例8.5 使用函数cv2.morphologyEx()实现梯度运算
import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(r'C:\Users\25584\Desktop\gradient.bmp')

kernel = np.ones((10,10), np.uint8)
img_gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

plt.subplot(121), plt.imshow(img)
plt.subplot(122), plt.imshow(img_gradient)
plt.show()

4、礼帽运算：
礼帽运算是原图-开运算图，所以礼帽运算可以获得图像的噪声信息，或者得到比原始图的边缘更亮的边缘信息。

#例8.6 使用函数cv2.morphologyEx()实现礼帽运算
import cv2
import numpy as np
import matplotlib.pyplot as plt

img1 = cv2.imread(r'C:\Users\25584\Desktop\tophat.bmp')
img2 = cv2.imread(r'C:\Users\25584\Desktop\lena.bmp')

kernel = np.ones((10,10), np.uint8)
img1_tophat = cv2.morphologyEx(img1, cv2.MORPH_TOPHAT, kernel)
img2_tophat = cv2.morphologyEx(img2, cv2.MORPH_TOPHAT, kernel)

fig, axes = plt.subplots(1,4, figsize=(10,5), dpi=100)
axes[0].imshow(img1)
axes[1].imshow(img2)
axes[2].imshow(img1_tophat)
axes[3].imshow(img2_tophat)
plt.show()

5、黑帽运算：
黑帽运算是闭运算图像-原始算图，所以黑帽运算可以获得图像内部的噪音，或者得到比原始图的边缘更暗的边缘信息。

#例8.7 使用函数cv2.morphologyEx()实现黑帽运算
import cv2
import numpy as np
import matplotlib.pyplot as plt

img1 = cv2.imread(r'C:\Users\25584\Desktop\blackhat.bmp')
img2 = cv2.imread(r'C:\Users\25584\Desktop\lena.bmp')

kernel = np.ones((10,10), np.uint8)
img1_blackhat = cv2.morphologyEx(img1, cv2.MORPH_BLACKHAT, kernel)
img2_blackhat = cv2.morphologyEx(img2, cv2.MORPH_BLACKHAT, kernel)

fig, axes = plt.subplots(1,4, figsize=(10,5), dpi=100)
axes[0].imshow(img1)
axes[1].imshow(img2)
axes[2].imshow(img1_blackhat)
axes[3].imshow(img2_blackhat)
plt.show()

四、自定义核进行形态操作

自定义核的API: cv2.getStructuringElement(shape, ksize, anchor)
shape:表示核的形状。
　　　shape=cv2.MORPH_RECT,表示生成一个矩形结构的核，所有元素值都是1。
　　　shape=cv2.MORPH_CROSS,表示生成一个十字形结构元素，对角线元素值为1。
　　　shape=cv2.MORPH_ELLIPSE表示生成一个椭圆形结构的核。
ksize:核的尺寸
anchor:核的锚点位置。

#例8.8 使用函数cv2.getStructuringElement()生成不同的核,并观察不同核对图像的处理效果
import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(r'C:\Users\25584\Desktop\kernel.bmp')

kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
kernel2 = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))
kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
print(kernel1, '\n\n', kernel2, '\n\n', kernel3)

img_dilate1 = cv2.dilate(img, kernel1, iterations=17)
img_dilate2 = cv2.dilate(img, kernel2, iterations=8)
img_dilate3 = cv2.dilate(img, kernel3, iterations=20)

fig, axes = plt.subplots(1,4, figsize=(10,5), dpi=100)
axes[0].imshow(img)
axes[1].imshow(img_dilate1)
axes[2].imshow(img_dilate2)
axes[3].imshow(img_dilate3)
plt.show()

[[1 1 1 1 1]
 [1 1 1 1 1]
 [1 1 1 1 1]
 [1 1 1 1 1]
 [1 1 1 1 1]] 

 [[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]] 

 [[0 0 1 0 0]
 [1 1 1 1 1]
 [1 1 1 1 1]
 [1 1 1 1 1]
 [0 0 1 0 0]]

【OpenCV 学习笔记】第八章: 形态学操作

第八章: 形态学操作

猜你喜欢