3-形态学操作

2022-04-22

字数统计: 1.9k字 | 阅读时长: 8分

× 文章目录

1. 1 连通性
2. 2 形态学操作
1. 2.0.0.0.1. 腐蚀的作用是消除物体边界点，使目标缩小，可以消除小于结构元素的噪声点。
2. 2.0.0.0.2. 膨胀的作用是将与物体接触的所有背景点合并到物体中，使目标增大，可添补目标中的孔洞。

2.1. 2.2 开闭运算

2.2. 2.3 礼帽和黑帽

Author: haoransun
WeChat: SHR—97

1 连通性

在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示：

2 形态学操作

形态学转换是基于图像形状的一些简单操作。它通常在二进制图像上（二值黑白图像）执行。腐蚀和膨胀是两个基本的形态学运算符。然后它的变体形式如开运算，闭运算，礼帽黑帽等。

腐蚀和膨胀是最基本的形态学操作，腐蚀和膨胀都是针对白色部分（高亮部分）而言的。

膨胀就是使图像中高亮部分扩张，效果图拥有比原图更大的高亮区域；腐蚀是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域。膨胀是求局部最大值的操作，腐蚀是求局部最小值的操作。

腐蚀：对两者取与操作，都为1才行

具体操作是：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为1，则该像素为1，否则为0。如下图所示，结构A被结构B腐蚀后：

腐蚀的作用是消除物体边界点，使目标缩小，可以消除小于结构元素的噪声点。

API：

1	cv.erode(img,kernel,iterations)

参数：

img: 要处理的图像
kernel: 核结构
iterations: 腐蚀的次数，默认是1

膨胀：对两者取或操作，只要有一个为1就行

具体操作是：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为0，则该像素为0，否则为1。如下图所示，结构A被结构B腐蚀后：

膨胀的作用是将与物体接触的所有背景点合并到物体中，使目标增大，可添补目标中的孔洞。

API：

1	cv.dilate(img,kernel,iterations)

参数：

img: 要处理的图像
kernel: 核结构
iterations: 腐蚀的次数，默认是1

示例

我们使用一个5*5的卷积核实现腐蚀和膨胀的运算：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img = cv.imread("./image/image3.png")
# 2 创建核结构
kernel = np.ones((5, 5), np.uint8)

# 3 图像腐蚀和膨胀
erosion = cv.erode(img, kernel) # 腐蚀
dilate = cv.dilate(img,kernel) # 膨胀

# 4 图像展示
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(10,8),dpi=100)
axes[0].imshow(img)
axes[0].set_title("原图")
axes[1].imshow(erosion)
axes[1].set_title("腐蚀后结果")
axes[2].imshow(dilate)
axes[2].set_title("膨胀后结果")
plt.show()

2.2 开闭运算

开运算和闭运算是将腐蚀和膨胀按照一定的次序进行处理。但这两者并不是可逆的，即先开后闭并不能得到原来的图像。

1.开运算

开运算是先腐蚀后膨胀，其**作用**是：分离物体，消除小区域。**特点**：消除噪点，去除小的干扰块，而不影响原来的图像。

2.闭运算

闭运算与开运算相反，是先膨胀后腐蚀，作用是消除/“闭合”物体里面的孔洞，特点：可以填充闭合区域。

3.API

1	cv.morphologyEx(img, op, kernel)

参数：

*   img: 要处理的图像
*   op: 处理方式：若进行开运算，则设为cv.MORPH_OPEN，若进行闭运算，则设为cv.MORPH_CLOSE
*   Kernel： 核结构

4.示例

使用10*10的核结构对卷积进行开闭运算的实现。

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img1 = cv.imread("./image/image5.png")
img2 = cv.imread("./image/image6.png")
# 2 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 3 图像的开闭运算
cvOpen = cv.morphologyEx(img1,cv.MORPH_OPEN,kernel) # 开运算
cvClose = cv.morphologyEx(img2,cv.MORPH_CLOSE,kernel)# 闭运算
# 4 图像展示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title("原图")
axes[0,1].imshow(cvOpen)
axes[0,1].set_title("开运算结果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原图")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("闭运算结果")
plt.show()

2.3 礼帽和黑帽

1.礼帽运算

原图像与“开运算“的结果图之差，如下式计算：

API

1	cv.morphologyEx(img, op, kernel)

3.参数：

img: 要处理的图像
op: 处理方式：

4.示例

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img1 = cv.imread("./image/image5.png")
img2 = cv.imread("./image/image6.png")
# 2 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 3 图像的礼帽和黑帽运算
cvOpen = cv.morphologyEx(img1,cv.MORPH_TOPHAT,kernel) # 礼帽运算
cvClose = cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel)# 黑帽运算
# 4 图像显示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title("原图")
axes[0,1].imshow(cvOpen)
axes[0,1].set_title("礼帽运算结果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原图")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("黑帽运算结果")
plt.show()

总结

连通性邻接关系：4邻接，8邻接和D邻接

连通性：4连通，8连通和m连通
形态学操作
- 腐蚀和膨胀：
  
  腐蚀：求局部最小值
  
  膨胀：求局部最大值
- 开闭运算：
  
  开：先腐蚀后膨胀
  
  闭：先膨胀后腐蚀
- 礼帽和黑帽：
  
  礼帽：原图像与开运算之差
  
  黑帽：闭运算与原图像之差

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

plt.rcParams["font.family"] = ["SimHei"]

img_file_path = os.path.abspath("../Image")
img_file = os.path.join(img_file_path, "letter.png")

# 读取图像
img_1 = cv2.imread(img_file)
# 创建核结构
kernel = np.ones((5, 5), np.uint8)
# 图像腐蚀和膨胀
erosion = cv2.erode(img_1, kernel)
dilate = cv2.dilate(img_1, kernel)
# 图像显示
fig, axes = plt.subplots(1, 3, figsize=(10, 8), dpi=100)
axes[0].imshow(img_1)
axes[0].set_title("原图")
axes[1].imshow(erosion)
axes[1].set_title("腐蚀后结果")
axes[2].imshow(dilate)
axes[2].set_title("膨胀后结果")
plt.show()

# 开闭运算 开：消除图像周围噪音点，闭：填充图像中间孔洞
img_file2 = os.path.join(img_file_path, "letteropen.png")
img_file3 = os.path.join(img_file_path, "letterclose.png")
# 读取图像
img2 = cv2.imread(img_file2)
img3 = cv2.imread(img_file3)
# 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 图像的开闭运算
cvOpen = cv2.morphologyEx(img2, cv2.MORPH_OPEN, kernel)
cvClose = cv2.morphologyEx(img3, cv2.MORPH_CLOSE, kernel)
# 图像显示
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0, 0].imshow(img2)
axes[0, 0].set_title("原图")
axes[0, 1].imshow(cvOpen)
axes[0, 1].set_title("开运算结果")
axes[1, 0].imshow(img3)
axes[1, 0].set_title("原图")
axes[1, 1].imshow(cvClose)
axes[1, 1].set_title("闭运算结果")
plt.show()

# 礼帽与黑帽运算 礼帽：提取背景图 黑帽：提取孔洞点
img_file2 = os.path.join(img_file_path, "letteropen.png")
img_file3 = os.path.join(img_file_path, "letterclose.png")
# 读取图像
img2 = cv2.imread(img_file2)
img3 = cv2.imread(img_file3)
# 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 图像的礼帽与黑帽运算
cvOpen = cv2.morphologyEx(img2, cv2.MORPH_TOPHAT, kernel)
cvClose = cv2.morphologyEx(img3, cv2.MORPH_BLACKHAT, kernel)
# 图像显示
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0, 0].imshow(img2)
axes[0, 0].set_title("原图")
axes[0, 1].imshow(cvOpen)
axes[0, 1].set_title("礼帽运算结果")
axes[1, 0].imshow(img3)
axes[1, 0].set_title("原图")
axes[1, 1].imshow(cvClose)
axes[1, 1].set_title("黑帽运算结果")
plt.show()