涉及函数
cv2.erode(),cv2.dilate(),cv2.morphotogyEx()
首先
首先我们看下原始图像:
形态学转换原理:
一般情况下对二值化图像进行操作。需要两个参数,一个是原始图像,第二个被称为结构化元素或者核(kernel),它是用来决定操作的性质的。基本操作为腐蚀和膨胀,他们的变体构成了开运算,闭运算以及梯度等。
任务1:腐蚀
把前景物体的边界腐蚀掉,但是前景仍然是白色的。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,那么中心元素就保持原来的像素值,否则就变为零。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。这对于去除白噪音很有用,也可以用来断开两个连在一块的物体。
import cv2
import numpy as np
img = cv2.imread('1024.jpg',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations=1)
while(1):
cv2.imshow('image',img)
cv2.imshow('erosion',erosion)
k=cv2.waitKey(1)
if k == ord('q'):#按q键退出
break
cv2.destroyAllWindows()
演示结果:
任务2:膨胀
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。所以这个操作会增加图像中白色区域(前景)。一般在去噪音时先腐蚀再膨胀,因为腐蚀再去掉白噪音的同时,也会使前景对象变小,所以我们再膨胀。这时噪音已经被去除,不会再回来了,但是前景还在并会增加,膨胀也可以用来连接两个分开的物体。
dilation = cv2.dilation(img,kernel,iterations=1)
任务3:开运算
先进行腐蚀再进行膨胀就叫做开运算。被用来去除噪音,函数可以使用cv2.morphotogyEx()
opening = cv2.morphotogyEx(img,cv2.MORPH_OPEN,kernel)
任务4:闭运算
先膨胀再腐蚀。被用来填充前景物体中的小洞,或者前景上的小黑点。
closing = cv2.morphotogyEx(img,cv2.MORPH_CLOSE,kernel)
任务5:形态学梯度
其实就是一幅图像膨胀与腐蚀的差别。 结果看上去就像前景物体的轮廓。
gradient = cv2.morphotogyEx(img,cv2.MORPH_GRADIENT,kernel)
任务6:礼帽
原始图像与进行开运算之后得到的图像的差。
tophat = cv2.morphotogyEx(img,cv2.MORPH_TOPHAT,kernel)
任务7:黑帽
进行闭运算之后得到的图像与原始图像的差。
blackhat = cv2.morphotogyEx(img,cv2.MORPH_BLACKHAT,kernel)
任务8:形态学操作之间的关系及结构化元素
形态学操作之间的关系
结构化元素
之前的例子都是使用numpy构建了结构化元素,但是是正方形的,若需要构建椭圆或者圆形的核,可以使用OpenCV提供的函数 cv2.getStructuringElemenet(),只需要告诉它你需要的核的形状和大小
总结
(本系列每周不定期更新,谢谢大家支持!)