Python下opencv使用笔记（六）（图像的形态学转换）

• 形态学一般是使用二值图像，进行边界提取，骨架提取，孔洞填充，角点提取，图像重建等等。常用的形态学操作时腐蚀与膨胀，在他们的基础上演变出一些变体，包括开运算、闭运算、梯度等等。形态学一般是对二值图像进行的操作。
• 下面贴几个比较好的介绍图像形态学方面的博客

  图像处理基本算法-形态学

  图像的形态学处理

（一）腐蚀

关于腐蚀就是将图像的边界腐蚀掉，或者说使得图像整体上看起来变瘦了。它的操作原理就是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，那么中心元素保持原来的值，否则就变为0。这对于去除白噪声很有用，也可以用于断开两个连载一起的物体。一个例子如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘man.jpg‘,0) #直接读为灰度图像

kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,1)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(erosion,‘gray‘)

（二）膨胀

膨胀原理与腐蚀相同，只不过膨胀的时候与卷积核对应的原图像的像素值只要有一个为1，那么中心元素就是1。这么做带来的变化就是图像膨胀了，或者说图像变胖了。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘man.jpg‘,0) #直接读为灰度图像

kernel = np.ones((5,5),np.uint8)
erosion = cv2.dilate(img,kernel,1)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(erosion,‘gray‘)

（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：

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘man1.jpg‘,0) #直接读为灰度图像

kernel = np.ones((5,5),np.uint8)
erosion = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(erosion,‘gray‘)

可以看到，外面的白点去点了，但是图像里面的白点似乎还在，多多少少影响着图形。

（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，实现去除图像内噪声。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘man1.jpg‘,0) #直接读为灰度图像

kernel = np.ones((5,5),np.uint8)
erosion = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(erosion,‘gray‘)

(五)形态学梯度

膨胀与腐蚀的组合使用，使得结果看上去是提取了物体的轮廓一样。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘man.jpg‘,0) #直接读为灰度图像

kernel = np.ones((5,5),np.uint8)
closing= cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(closing,‘gray‘)

（六）礼帽

原始图像与其进行开运算后的图像进行一个差。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘man.jpg‘,0) #直接读为灰度图像

kernel = np.ones((5,5),np.uint8)
closing= cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(closing,‘gray‘)

（七）黑帽

原始图像与其进行闭运算后的图像进行一个差。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘man.jpg‘,0) #直接读为灰度图像

kernel = np.ones((5,5),np.uint8)
closing= cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(closing,‘gray‘)

从运算上讲是这样的，但是这个图下礼帽与黑帽的结果并不是很明显。

版权声明：本文为博主原创文章，未经博主允许不得转载。