Python OpenCV学习之图像形态学

目录

• 背景
• 一、图像二值化
• 二、自适应阈值
• 三、腐蚀
• 四、卷积核获取
• 五、膨胀
• 六、开运算
• 七、闭运算
• 八、形态学梯度
• 九、顶帽运算
• 十、黑帽运算
• 总结

背景

形态学处理方法是基于对二进制图像进行处理的，卷积核决定图像处理后的效果；形态学的处理哦本质上相当于对图www.cppcns.com像做前处理，提取出有用的特征，以便后续的目标识别等任务；

一、图像二值化

定义：将图像的每个像素变成两种值，如0和255；

全局二值化的函数原型：

threshold（img，thresh，maxVal，type）

• img：最好是灰度图像
• thresh：阈值
• maxVal：超过阈值，替换为maxVal
• type：有几种类型，THRESH_BINARY为二值化的类型

案例代码：

img = cv2.imread('1.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, dst = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

关于type类型，可查看下图：

二、自适应阈值

解决的问题：由于光照不均匀以及阴影的存在，只有一个阈值会使得在阴影处的白色被二值化成黑色；

若采用全局二值化，在有阴影的图片中，阴影信息会丢失，如下图：

当阈值设置较高时，会出现部分阴影信息丢失，如果需要不断尝试找到合适阈值是一件耗时的事情，因此就有了自适应阈值的方法；

自适应阈值函数原型：

adaptiveThreshold（img，maxVal，adaptiveMethod,，type，blockwww.cppcns.comSize, C）

• adaptiveMethod：计算阈值的方法；
• blockSize：邻近区域的大小；
• C：常量，应从计算出的平均值或加权平均值中减去，一般设置为0；

计算阈值主要有两种两种方法：

① ADAPTIVE_THRESH_MEAN_C：计算邻近区域的平均值；（根据blockSize大小做平均滤波）

② ADAPTIVE_THRESH_GAUSSIAN_C：高斯窗口加权平均值；（根据blockSize大小做高斯滤波）

代码案例：

img = cv2.imread('new.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

dst = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 0)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

可以看出，虽然信息成功提取出来，但背景的噪点过多，后续会加以处理；

三、腐蚀

本质卷积核的值全为1，可通过下图简单理解其原理：

函数原型：

erode（img，kernel，iterations=1）

iterations：执行的次数；

代码案例：

img = cv2.imread('./j.png')
kernel = np.ones((3, 3), np.uint8)

dst = cv2.erode(img, kernel, 1)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

上图为腐蚀后的结果，明显白色区域变小了，如果增大卷积核或增加腐蚀次数会使得腐蚀效果更明显；

四、卷积核获取

函数原型：

getStructuringElement（type，size）

size一般设置成（3，3）或（5，5）这样；

type类型：

MORPH_RECT：矩形形状的卷积核；

MORPH_ELLIPSE：椭圆形状卷积核；

MORPH_CROSS：十字架形状卷积核；

腐蚀中的全为1的卷积核可以通过这个函数构造：

kernrl = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

相比于用numpy构造更好；

五、膨胀

膨胀和腐蚀相反，其原理是卷积核中间不为0，则整个卷积核区域的值都为1，如下图：

函数原型：

dilate（img，kernel，iterations=1）

代码案例：

img = cv2.imread('./j.png')
kernel = np.ones((7, 7), np.uint8)

dst = cv2.dilate(img, kernel, 1)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

本次采用7x7的卷积核，所以效果会比较明显一些；

六、开运算

本质：先腐蚀，后膨胀；

函数原型：

morphologyEx（img，cv2.MORPH_OPEN，kernel）

代码案例：

img = cv2.imread('./dotj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_R编程客栈ECT, (7, 7))

dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

从图中可看出，开运算很好的解决了小的噪点，也就是背景噪点去除；

七、闭运算

本质：先膨胀，后腐蚀；

函数原型等同于开运算，其中的类型进行修改即可；

代码案例：

img = cv2.imread('./dotinj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

中间还是有一些噪点没有完全消除，可以调整卷积核大小，将卷积核调大，可以得到更好的效果；

八、形态学梯度

本质：梯度 = 原图 - 腐蚀

函数还是morphologyEx，其中类型为MORPH_GRADIENT；

代码案例：

img = cv2.imread('./j.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

dst = cv2编程客栈.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

可以看出来腐蚀的部分，也相当于提取了边缘；

九、顶帽运算

本质：顶帽 = 原图 - 开运算

函数还是编程客栈morphologyEx，其中类型为MORPH_TOPHAT；

代码案例：

img = cv2.imread('./tophat.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (19, 19))

dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

十、黑帽运算

本质：黑帽 = 原图 - 闭运算

函数还是morphologyEx，其中类型为MORPH_BLACKHAT；

代码案例：

img = cv2.imread('./dotinj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

总结

开运算：先腐蚀再膨胀，去除大图形外的小图形；

闭运算：先膨胀再腐蚀，去除大图形内的小图形；

梯度：求图形的边缘；

顶帽：原图减开运算，得到大图形外的小图形；

黑帽：原图减闭运算，得到大图形内的小图形；

以上就是python OpenCV学习之图像形态学的详细内容，更多关于Python OpenCV图像形态学的资料请关注我们其它相关文章！