快捷導(dǎo)航

Python常用圖像形態(tài)學(xué)操作詳解

更新時(shí)間：2022年08月17日 10:46:13 作者：有理想的打工人

這篇文章主要為大家詳細(xì)介紹幾個(gè)Python中常用的圖像形態(tài)學(xué)操作：腐蝕、膨脹、開(kāi)閉運(yùn)算、梯度運(yùn)算、禮帽和黑帽，感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下

腐蝕

在一些圖像中，會(huì)有一些異常的部分，比如這樣的毛刺：

對(duì)于這樣的情況，我們就可以應(yīng)用復(fù)式操作了。需要注意的是，腐蝕操作只能處理二值圖像，即像素矩陣的值只有0（黑色）和255（白色）。我們先看看代碼和效果：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
# 腐蝕的代碼
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

這張圖片已經(jīng)幾乎看不到毛刺了，但與此同時(shí)，三個(gè)文字也小了一點(diǎn)，這就是腐蝕操作。所謂腐蝕操作，就是我們?cè)O(shè)置一個(gè)n×n的矩陣，這個(gè)矩陣可以視為一個(gè)卷積核，在原圖上進(jìn)移動(dòng)。矩陣覆蓋住的像素點(diǎn)中，如果有0（黑色），那么該卷積核的中心位置置零，反之，如果該卷積核內(nèi)全都是255，則不做操作：

注意：我們可以理解成腐蝕操作是完全根據(jù)原圖生成的新圖，而不是在原土上的修改。

接下來(lái)我們?cè)倏纯锤g的代碼：

kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

首先，我們要利用numpy庫(kù)生成一個(gè)n×n大小的全1矩陣kernel作為卷積核，并且需要指定數(shù)據(jù)類型為無(wú)符號(hào)8位整數(shù)。然后使用erode()函數(shù)，其接收的參數(shù)分別為圖像矩陣，kernel矩陣，以及迭代次數(shù)。迭代次數(shù)就是腐蝕操作的次數(shù)。下面我們用一個(gè)圓來(lái)查看一下不同迭代次數(shù)的腐蝕效果：

import cv2
import numpy as np
kernel = np.ones((30,30),np.uint8)
pie = cv2.imread('pie.png')
# 觀察不同的迭代次數(shù)
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

膨脹

腐蝕操作可以腐蝕掉二值圖像的邊緣，因此可以消除掉一些圖片上的毛刺，但是損失一些原圖相中有效的部分也是在所難免的。膨脹其實(shí)就是腐蝕操作的反面。“卷積核”包裹住的像素中有255，則這個(gè)卷積核中心位置會(huì)置為255，否則不變。因此，膨脹操作會(huì)把原本的圖像范圍進(jìn)行擴(kuò)大：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')

kernel = np.ones((3,3),np.uint8)
# 膨脹操作
dige_dilate = cv2.dilate(img,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)

cv2.waitKey(0)
cv2.destroyAllWindows()

可以看到，膨脹操作后，圖像的范圍變大了一圈，就連毛刺也都擴(kuò)大了。膨脹操作通常會(huì)配合腐蝕操作一起使用的，先腐蝕在膨脹，可以在保持圖片中有效內(nèi)容大小大體不變的情況下去除掉毛刺：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 腐蝕
erosion = cv2.erode(img,kernel,iterations = 1) # 對(duì)原圖像進(jìn)行腐蝕
# 膨脹
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1) # 對(duì)腐蝕后圖像進(jìn)行膨脹
cv2.imshow('dilate', dige_dilate)

cv2.waitKey(0)
cv2.destroyAllWindows()

其原理和參數(shù)意義與腐蝕操作類似，在此不做過(guò)多講解。

開(kāi)運(yùn)算與閉運(yùn)算

開(kāi)運(yùn)算與閉運(yùn)算都是應(yīng)用腐蝕與膨脹操作來(lái)處理原圖像的。區(qū)別在于開(kāi)運(yùn)算是先腐蝕在膨脹，閉運(yùn)算是先膨脹再腐蝕。這兩個(gè)操作需要用到的函數(shù)都是morphologyEx()，只需要調(diào)整參數(shù)即可完成兩種不同的操作。

開(kāi)運(yùn)算

執(zhí)行開(kāi)運(yùn)算的函數(shù)是：

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

kernel依然是n×n的矩陣，cv2.MORPH_OPEN指定了執(zhí)行運(yùn)算為開(kāi)運(yùn)算：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

結(jié)果為：

閉運(yùn)算

和開(kāi)運(yùn)算基本相同，只需要把morphologyEx()函數(shù)的第二個(gè)參數(shù)改為cv2.MORPH_CLOSE即可：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

很明顯，先膨脹再腐蝕和原圖并沒(méi)有什么區(qū)別，僅僅是比原圖大了一圈，因此閉運(yùn)算也沒(méi)有開(kāi)運(yùn)算應(yīng)用廣泛。

梯度運(yùn)算

梯度運(yùn)算本質(zhì)是膨脹-腐蝕。從這個(gè)定義中不難發(fā)現(xiàn)，梯度就是原圖的邊緣部分。獲取梯度依然要用到morphologyEx()函數(shù)，將第二個(gè)參數(shù)改為cv2.MORPH_GRADIENT即可：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 先用開(kāi)運(yùn)算把毛刺去掉：
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

得到的結(jié)果就是下面這樣：

禮帽與黑帽

禮帽和黑帽都是翻譯的結(jié)果，因此我們不能望文生義。禮貌操作就是原始圖像-開(kāi)運(yùn)算結(jié)果，黑帽操作是閉運(yùn)算-原始輸入。依然是用morphologyEx()函數(shù)，通過(guò)修改第二個(gè)參數(shù)完成。

禮帽

禮帽操作需要用到的參數(shù)是cv2.MORPH_TOPHAT。由禮帽操作的定義可以直到，禮帽操作可以得到圖片中的“毛刺”部分：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 禮帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

得到的結(jié)果為：

黑帽

黑帽操作需要用到的參數(shù)是cv2.MORPH_BLACKHAT，黑帽運(yùn)算會(huì)輸出執(zhí)行閉運(yùn)算后的圖像比原圖大出的一小圈輪廓：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((5,5),np.uint8) # kernel矩陣維度大一些會(huì)讓黑帽操作的結(jié)果更明顯
# 黑帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()