OpenCV竟然可以这样学!成神之路终将不远(十三)

Posted 满目星辰wwq

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了OpenCV竟然可以这样学!成神之路终将不远(十三)相关的知识,希望对你有一定的参考价值。

返回目录

目录

13 形态学转换

13.1 目标

13.2 理论

13.2.1 侵蚀(腐蚀)

13.2.2 扩张(膨胀)

13.2.3 开运算

13.2.4 闭运算

13.2.5 形态学梯度

13.2.6 顶帽

13.2.7 黑帽

13.3 结构元素

13.4 其他资源


13 形态学转换

13.1 目标

在这一章当中, 我们将学习不同的形态学操作,例如侵蚀,膨胀,开运算,闭运算等。 我们将看到不同的功能,例如:cv.erode(),cv.dilate(), cv.morphologyEx()等。

13.2 理论

形态变换是一些基于图像形状的简单操作。通常在二进制图像上执行。它需要两个输入,一个是我们的原始图像,第二个是决定操作性质的结构元素内核。两种基本的形态学算子是侵蚀和膨胀。然后,它的变体形式(如“打开”,“关闭”,“渐变”等)也开始起作用。

13.2.1 侵蚀(腐蚀)

侵蚀的基本思想就像土壤侵蚀一样,它侵蚀前景物体的边界(尽量使前景保持白色)。它是做什么的呢?内核滑动通过图像(在2D卷积中)。原始图像中的一个像素(无论是1还是0)只有当内核下的所有像素都是1时才被认为是1,否则它就会被侵蚀(变成0)。

结果是,根据内核的大小,边界附近的所有像素都会被丢弃。因此,前景物体的厚度或大小减小,或只是图像中的白色区域减小。它有助于去除小的白色噪声(正如我们在颜色空间章节中看到的),分离两个连接的对象等。

腐蚀的公式如下:

erosion = cv2.erosion(img,kernel,iterations = 1)

在这里,作为一个例子,我将使用一个5x5内核,它包含了所有的1。让我们看看它是如何工作的:

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np

img = cv.imread('wwq.jpg', 0)
kernel = np.ones((5, 5), np.uint8)
erosion = cv.erode(img, kernel, iterations=1)
plt.subplot(211), plt.imshow(img, 'gray'), plt.title('wwq'), plt.xticks([]), plt.yticks([])
plt.subplot(212), plt.imshow(erosion, 'gray'), plt.title('erosion'), plt.xticks([]), plt.yticks([])
plt.show()

运行结果如下:

13.2.2 扩张(膨胀)

它与侵蚀正好相反。如果内核下的至少一个像素为1,则像素元素为1。因此,它会增加图像中的白色区域或增加前景对象的大小。通常,在消除噪音的情况下,腐蚀后会膨胀。因为腐蚀会消除白噪声,但也会缩小物体。因此,我们对其进行了扩展。由于噪音消失了,它们不会回来,但是我们的目标区域增加了。在连接对象的损坏部分时也很有用。

膨胀的公式如下:

dilation = cv2.dilate(img,kernel,iterations = 1)

代码如下:

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np

img = cv.imread('wwq.jpg', 0)
kernel = np.ones((5, 5), np.uint8)
dilate = cv.dilate(img, kernel, iterations=1)
plt.subplot(211), plt.imshow(img, 'gray'), plt.title('wwq')
plt.xticks([]), plt.yticks([])
plt.subplot(212), plt.imshow(dilate, 'gray'), plt.title('dilate')
plt.xticks([]), plt.yticks([])
plt.show()

运行结果如下:

13.2.3 开运算

开放只是侵蚀然后扩张的另一个名称。如上文所述,它对于消除噪音很有用。在这里,我们使
用函数cv.morphologyEx()

opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

代码如下:

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np

img = cv.imread('wwq.jpg')
# 为了让效果更好,我们自己随机生成一些白噪声
img_white_noise = img
rows, cols, channel = img_white_noise.shape
for i in range(5000):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    img_white_noise[x, y, :] = 255

kernel = np.ones((5, 5), np.uint8)
opening = cv.morphologyEx(img_white_noise, cv.MORPH_OPEN, kernel)

plt.subplot(211), plt.imshow(img_white_noise, 'gray'), plt.title('add noise')
plt.xticks([]), plt.yticks([])
plt.subplot(212), plt.imshow(opening, 'gray'), plt.title('opening')
plt.xticks([]), plt.yticks([])

plt.show()

运行结果如下:

13.2.4 闭运算

闭运算与开运算相反,先扩张然后再侵蚀。在关闭前景对象内部的小孔或对象上的小黑点时很有用。

closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

代码如下:

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np

img = cv.imread('wwq.jpg')
# 为了让效果更好,我们自己随机生成一些黑噪声
img_black_noise = img
rows, cols, channel = img_black_noise.shape
for i in range(6666):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    img_black_noise[x, y, :] = 0

kernel = np.ones((3, 3), np.uint8)
closing = cv.morphologyEx(img_black_noise, cv.MORPH_CLOSE, kernel)

plt.subplot(211), plt.imshow(img_black_noise, 'gray'), plt.title('add noise')
plt.xticks([]), plt.yticks([])
plt.subplot(212), plt.imshow(closing, 'gray'), plt.title('closing')
plt.xticks([]), plt.yticks([])

plt.show()

运行结果如下:

13.2.5 形态学梯度

形态学梯度是图像膨胀、腐蚀之间的区别。是将膨胀后的原图像和腐蚀后的原图像做差,可以得到形态学梯度。可以突出高亮区域的外围,因为它是区域的膨胀减去区域的收缩

结果将看起来像对象的轮廓。

gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

代码如下:

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np

img = cv.imread('wwq.jpg', 0)
kernel = np.ones((5, 5), np.uint8)
gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

plt.subplot(211), plt.imshow(img, 'gray'), plt.title('img')
plt.xticks([]), plt.yticks([])

plt.subplot(212), plt.imshow(gradient, 'gray'), plt.title('gradient')
plt.xticks([]), plt.yticks([])

plt.show()

运行结果如下:

13.2.6 顶帽

它是输入图像和图像开运算之差。下面的示例针对9x9内核完成。

tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

代码如下:

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

img = cv.imread('wwq.jpg', 0)
kernel = np.ones((9, 9), np.uint8)

tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

plt.subplot(211), plt.imshow(img, 'gray'), plt.title('img')
plt.xticks([]), plt.yticks([])
plt.subplot(212), plt.imshow(tophat, 'gray'), plt.title('tophat')
plt.xticks([]), plt.yticks([])

plt.show()

运行结果如下:

13.2.7 黑帽

这是输入图像和图像闭运算之差。

blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

代码如下:

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

img = cv.imread('wwq.jpg', 0)
kernel = np.ones((9, 9), np.uint8)

blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

plt.subplot(211), plt.imshow(img, 'gray'), plt.title('img')
plt.xticks([]), plt.yticks([])
plt.subplot(212), plt.imshow(blackhat, 'gray'), plt.title('blackhat')
plt.xticks([]), plt.yticks([])

plt.show()

运行结果如下:

13.3 结构元素

在Numpy的帮助下,我们在前面的示例中手动创建了一个结构元素。它是矩形。但是在某些情况下,您可能需要椭圆形/圆形的内核。因此,为此,OpenCV具有一个函数cv.getStructuringElement()。您只需传递内核的形状和大小,即可获得所需的内核。

# 矩形内核
>>> 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)

# 椭圆内核
>>> 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)

# 十字内核
>>> 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)

13.4 其他资源

形态学操作: HIPR2


欢迎评论区留言,一起探讨OpenCV成神之路的奥秘。

顺便给我加个关注,点个赞,加个收藏,让我们一起登上神坛。

以上是关于OpenCV竟然可以这样学!成神之路终将不远(十三)的主要内容,如果未能解决你的问题,请参考以下文章

OpenCV竟然可以这样学!成神之路终将不远(三十三)

OpenCV竟然可以这样学!成神之路终将不远(二十三)

OpenCV竟然可以这样学!成神之路终将不远(三十三)

OpenCV竟然可以这样学!成神之路终将不远(十三)

OpenCV竟然可以这样学!成神之路终将不远(二十三)

OpenCV竟然可以这样学!成神之路终将不远