OpenCV入门系列3：图像的膨胀、开闭运算和梯度运算

前言

在系列2中已经分享了图像的叠加、填充和腐蚀，接下来将继续分享图像的膨胀、开闭运算和梯度运算。

一、图像的膨胀

1.1 膨胀原理

与图像的腐蚀操作相反，膨胀的原理实质为“或”运算，即通过定义卷积核与图像像素点数据进行“或”运算。当卷积核包围被包围颜色通道数据时，图像颜色通道数据保持不变；当卷积核同时包围两种颜色通道数据时，全部变换为被包围颜色通道数据，从而实现强化图像的轮廓作用。

1.2 膨胀实现

dilate=cv2.dilate(img,kernel,iterations=1)

cv2.dilate() 函数包括以下三个参数：

• 要进行膨胀运算的图像颜色通道数据
• 膨胀操作所使用的卷积核大小
• 膨胀的迭代次数

注：卷积核的定义见系列2。

1.3 结果展示

图片为初始图像进行三次迭代的结果。由图可知，膨胀操作会放大小且无意义的物体，但会增强整体的轮廓，因此图像的腐蚀与膨胀通常共同使用，即由腐蚀消去小且无意义的物体，并通过膨胀增强图像的轮廓。这也是接下来要分享的开闭运算。

二、开闭运算

根据图像腐蚀和膨胀的先后顺序，将操作分为开运算与闭运算。

2.1 开运算实现与结果

先进行腐蚀操作，再进行膨胀操作，称为开运算，作用为去除小且无用的物体，并将图像轮廓进行增强，即平滑图像。

其实现代码如下所示：

opening=cv2.morphologyEx(pie,cv2.MORPH_OPEN,kernel)

cv2.morphologyEx() 函数具有三个参数

• 要进行开运算的图像数据
• 指定开运算指令格式
• 指定卷积核大小，即通过 np.ones() 指定，详见系列2.

其结果图像如下图所示：

易知，先将小且无用的部分进行腐蚀，在将图形轮廓进行膨胀。

2.2 闭运算实现与结果

先进行膨胀操作，后进行腐蚀操作，称为闭运算，其作用为填充物体内的小空洞，连接邻近的物体和断开的轮廓线

实现代码如下：

closing=cv2.morphologyEx(pie,cv2.MORPH_CLOSE,kernel)

其格式与开运算相同，但是需将第二个参数修改为 cv2.MORPH_CLOSE

其结果图像如下所示：

易知，先将微小部分进行膨胀操作，再进行腐蚀操作。

三、梯度运算

3.1 梯度介绍

分别对图像进行腐蚀操作和膨胀操作，将膨胀操作的数据结果减去腐蚀操作的数据结果，所得到的数据结果即为梯度数据。从宏观图像分析，梯度数据所对应部分为被包围图像的边界。

3.2 梯度实现

实现代码如下所示：

gradient=cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel)

与腐蚀、膨胀操作实现格式相同，但是要将第二个参数修改为: cv2.MORPH_GRADIEN。

3.3 结果展示

总结

本文分享了图像的膨胀操作、开闭运算和梯度运算，通过梯度运算的引入，接下来将逐渐进入图像边缘识别算法的进程。