opencv 1-- getStructuringElement函数

Posted 2022-12-14 wust小吴

getStructuringElement函数—获取结构化元素

形态学处理

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，
一个被称为结构化元素或核，它是用来决定操作的性质的

OpenCV 函数 cv2.getStructuringElement()

用户：

element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))

得到 5*5 的十字形结构

实际上这里是一个5 * 5的矩阵

>>> import cv2
>>> element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
>>> element
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)

这里展示的是十字型的结构，下面看一个矩形

>>> 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)

椭圆结构

>>> 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)

其实我们也可以用numpy来生成自己需要的结构化元素

>>> kernel = np.ones((5,5),np.uint8)
>>> kernel
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)

可能你想到的是上面的十字型的，numby支持你去修改
做一个for循环修改即可，不展示

怎么理解 结构化元素 或者 核 在形态学处理时的作用，它的原理时怎么样的呢？

过程是这样的：

首先得提前申明一点，能够做形态学操作的图像必须是二值化的，也就是图片在
表示上只有0，1 了，

这个时候，你定义一个核，这个核就称为结构化元素；它的定义也只有0，1

让这个核，从你图像的左上角开始滑动，滑完整个图片，

计算过程就是：

如果与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（异或运算）

理解这句话很简单，如果对深度学习的卷积层的处理非常的清楚的话，他们是同一个操作

以 腐蚀操作为例：（做 与运算 ）

//图像腐蚀
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

核的区域 滑动到原图像 此时区域的中间元素，会被重置为0，或者1；

再来理解因为图像已经是二值化的了，前景区域此时基本都是1，背景基本都是0；

但是 前景区域1附近可能会有一些噪声，形态学操作就是干掉这些，

通过滑动，可以让前景图像，也就是二值化的白色区域变得更干净

作用总结就是：

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、

腐蚀让图像缩小了，怎么办，接下来可以继续用核，让这个图像变大，

这也就是经常看到的先腐蚀，再膨胀

膨胀的原理（做 或运算）

    # 图像膨胀 
    kernel = np.ones((5,5),np.uint8)
    erosion = cv2.dilate(gass_img,kernel,iterations=1)

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

膨胀带来的结果有一点需要注意：

在腐蚀的时候本来将两个图像进行了分离，膨胀可能会让两个图像再次连接在一起了