图像形态学就是指处理图像的形态特征,本质还是用卷积核来计算提取图像的形状或者特征。
形态学处理的一般都是黑白像素的图片(像素为0或者255)
常见的形态学处理方式:
全局二值化:将每个像素变成0or255
cv2.threshold(src, thresh, maxval, type):
src:图片,最好是灰度图
thresh:阈值,大于某个值怎么样,小于某个值怎么样
maxval:最大值,不一定是255
type:操作类型:
cv2.THRESH_BINARY :超过阈值为max
cv2.THRESH_BINARY_INV:超过阈值为0
cv2.THRESH_TOZERO:超过阈值不变,小于变0
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
# 对灰度照片进行二值化,先灰度化
gary = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化,回返回两个值:阈值+处理后的图片
# 阈值越大越黑,合理的调整
thresh, dst = cv2.threshold(gary, 120, 255, cv2.THRESH_BINARY)
cv2.imshow('二值化', np.hstack((gary, dst)))
cv2.waitKey(0)
使用全局二值化对于图像的某些像素无法得到一个合适的阈值,通过对图片的某一块像素进行自动计算,得到相应的阈值。
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
# 对灰度照片进行二值化,先灰度化
gary = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 自适应二值化
dst = cv2.adaptiveThreshold(gary,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)
cv2.imshow('自适应二值化', np.hstack((gary, dst)))
cv2.waitKey(0)
腐蚀操作用卷积核扫描之后,只有覆盖的所有内容为白色才是白色,否则是黑色。
K K K = [ 1 1 1 1 1 1 1 1 1 ] \begin{bmatrix} 1 &1&1 \\ 1 & 1& 1 \\ 1 & 1& 1 \end{bmatrix} ⎣⎡111111111⎦⎤
参数说明:
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
# 对灰度照片进行二值化,先灰度化
gary = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 腐蚀操作
kernel = np.zeros((3, 3), np.uint8)
dst = cv2.erode(gary, kernel)
cv2.imshow('腐蚀操作', np.hstack((gary, dst)))
cv2.waitKey(0)
上述方法还需要手动调用kernel,使用opencv内置提供的api可以直接获取到卷积核
cv2.getStructuringElement(shape,ksize)
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#得到卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
#腐蚀操作
std = cv2.erode(img,kernel)
cv2.imshow('自动获取卷积核',np.hstack((img,std)))
cv2.waitKey(0)
膨胀操作与腐蚀操作完全相反,
使像素扩大一圈,变成白色
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 生成卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 膨胀操作
std = cv2.dilate(img, kernel)
# 显示图片
cv2.imshow('膨胀', np.hstack((img, std)))
cv2.waitKey(0)
开运算=腐蚀+膨胀
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 生成卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 使用开运算:先腐蚀后膨胀
std = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel,iterations=2)
# 显示图片
cv2.imshow('膨胀', np.hstack((img, std)))
cv2.waitKey(0)
先膨胀后腐蚀
cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel,iterations=2)
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 生成卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 使用闭运算:先膨胀后腐蚀。用于去掉内容的噪声
std = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel,iterations=2)
# 显示图片
cv2.imshow('膨胀', np.hstack((img, std)))
cv2.waitKey(0)
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 生成卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 得到形态学的边缘
std = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel,iterations=1)
# 显示图片
cv2.imshow('膨胀', np.hstack((img, std)))
cv2.waitKey(0)
顶帽 = 原图-开运算
开运算可以去挑图片之外的噪音
即:顶帽操作可以得到去掉的噪音
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 生成卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 顶帽操作,得到图片外的噪声
std = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=1)
# 显示图片
cv2.imshow('膨胀', np.hstack((img, std)))
cv2.waitKey(0)
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 生成卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 黑帽操作,得到图片内的噪声
std = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel, iterations=1)
# 显示图片
cv2.imshow('膨胀', np.hstack((img, std)))
cv2.waitKey(0)