• 我们要学习的函数有:cv2.erode(), cv2.dilate(), cv2.morphologyEx()等。
• 学习不同的形态学操作,例如腐蚀,膨胀,开运算,闭运算等。
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。
- cv2.morphologyEx(src, op, kernel) 进行各类形态学的变化
参数说明:src传入的图片,op进行变化的方式, kernel表示方框的大小
第二个参数进行的操作(MORPH_OPEN - 开运算、MORPH_CLOSE - 闭运算
MORPH_GRADIENT - 形态梯度、MORPH_TOPHAT - “礼帽”,MORPH_BLACKHAT - “黑帽”)
开运算:表示的是先进行腐蚀,再进行膨胀操作
闭运算:表示先进行膨胀操作,再进行腐蚀操作 - cv2.getStructuringElement( ) 返回指定形状和尺寸的结构元素。
这个函数的第一个参数表示内核的形状,有三种形状可以选择。
矩形:MORPH_RECT;
交叉形:MORPH_CROSS;
椭圆形:MORPH_ELLIPSE;
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。**这回产生什么影响呢?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。**这里我们有一个例子,使用一个 5x5 的卷积核,其中所有的值都是以。让我们看看他是如何工作的:
import cv2
import numpy as np
img = cv2.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
2、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。
dilation = cv2.dilate(img,kernel,iterations = 1)
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()。
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
实例:
import cv2
def open_demo(img):
print(img.shape)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary = cv2.threshold(gray,100,200,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)
cv2.imshow("binary",binary)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(15,1)) # 结构元素(w,h)
binary = cv2.morphologyEx(binary,cv2.MORPH_OPEN,kernel)
cv2.imshow("imgResult",binary)
img = cv2.imread('8.jpg',1)
cv2.imshow('img', img)
open_demo(img)
cv2.waitKey(0)
cv2.destroyAllWindows()
4、闭运算
先膨胀再腐蚀。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。
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
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
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
6、礼帽/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 9x9 的
核进行礼帽操作的结果。
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
7、黑帽
进行闭运算之后得到的图像与原始图像的差。
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
以上集中形态学操作之间的关系列出来参考:
结构化元素
实例:
import cv2
import numpy as np
img = cv2.imread('13.jpg',0)
kernel = np.ones((13,13),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('img',img)
cv2.imshow('opening',opening)
cv2.imshow('tophat',tophat)
cv2.waitKey()
import cv2
import numpy as np
img = cv2.imread('13.jpg',0)
kernel = np.ones((13,13),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('img',img)
cv2.imshow('closing',closing)
cv2.imshow('blackhat ',blackhat )
cv2.waitKey()