形态学操作的具体原理见网址:http://homepages.inf.ed.ac.uk/rbf/HIPR2/morops.htm
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
• 学习函数cv2.erode(), cv2.dilate(), cv2.morphologyEx()等
原理
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,它可用来决定操作的性质。两个基本的形态学操作是腐蚀和膨胀,其构成了开运算,闭运算,梯度等。
结构化元素
使用 Numpy 构建了结构化元素,它是正方形的。但有时我们需要构建一个椭圆形/圆形的核。为了实现这种要求,提供了 OpenCV函数 cv2.getStructuringElement()只,需要输入核的形状和大小即可。
# Rectangular Kernel
>>> cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
array([[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]], dtype=uint8)
# Elliptical Kernel
>>> cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
array([[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]], dtype=uint8)
# Cross-shaped Kernel
>>> cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
array([[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]], dtype=uint8)
1、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。这里有一个例子,使用一个 5x5 的卷积核,其中所有的值都是1,具体工作如下:
原图:
腐蚀代码:
import cv2
import numpy as np
img = cv2.imread('phi.jpg',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
cv2.namedWindow("erosion")
cv2.imshow("erosion",erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果:
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,所以再对他进行膨胀。这时噪声已被去除,不会再有,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 cv2
import numpy as np
img = cv2.imread('phi.jpg',0)
kernel = np.ones((5,5),np.uint8)
dilation = cv2.dilate(img,kernel,iterations = 1)
cv2.namedWindow("dilation")
cv2.imshow("dilation",dilation)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果:
3、开运算
先进性腐蚀再进行膨胀就叫做开运算。就像我们上面介绍的那样,它被用来去除噪声。这里我们用到的函数是 cv2.morphologyEx()。
import cv2
import numpy as np
img = cv2.imread('phi.jpg',0)
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.namedWindow("opening")
cv2.imshow("opening",opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果:
4、闭运算
先膨胀再腐蚀叫做闭运算。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。
import cv2
import numpy as np
img = cv2.imread('phi.jpg',0)
kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.namedWindow("closing")
cv2.imshow("closing",closing)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果:
5、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 。
import cv2
import numpy as np
img = cv2.imread('phi.jpg',0)
kernel = np.ones((5,5),np.uint8)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.namedWindow("gradient")
cv2.imshow("gradient",gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果:
6、顶帽
原始图像与进行开运算之后得到的图像的差。下面的例子是用一个 5x5的核进行礼帽操作的结果。
import cv2
import numpy as np
img = cv2.imread('phi.jpg',0)
kernel = np.ones((5,5),np.uint8)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.namedWindow("tophat")
cv2.imshow("tophat",tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果:
7、底帽
进行闭运算之后得到的图像与原始图像的差。
import cv2
import numpy as np
img = cv2.imread('phi.jpg',0)
kernel = np.ones((5,5),np.uint8)
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.namedWindow("blackhat")
cv2.imshow("blackhat",blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果:
8、形态学操作之间的关系