在图像中,最小的单位是像素,每个像素周围有8各邻接像素,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:
连通性是描述区域和边界的重要概念,两个像素连通的两个必要条件是:
1.两个像素的位置是否相邻
2.两个像素的灰度值是否满足特定的相似性准则(或者是否相等)
根据联通性的定义,有4连通、8连通和m连通三种
4连通:对于具有值V的像素p和q,如果q在集合N4§中,则称这两个像素是4连通。
8连通∶对于具有值V的像素p和q,如果q在集合N8§中,则称这两个像素是8连通。
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。
1.腐蚀
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:
cv.erode(img,kernel,iterations)
参数:
* img:要处理的图像
* kernel:核结构(上图结构B)
* iterations:腐蚀的次数,默认是1
2.膨胀
具体操作是∶用一个结构元素扫描图像中的每一个像羹,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,可填补目标中的孔洞。
API:
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
3.示例
使用一个5*5的卷积核实现腐蚀核膨胀的运算:
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
img = cv.imread("../image/yy.jpg")
# 创建核结构
kernel = np.ones((5,5),np.uint8)
# 进行图像的腐蚀和膨胀
erosion = cv.erode(img,kernel) #腐蚀
dilate = cv.dilate(img,kernel) #膨胀
plt.imshow(img[:,:,::-1])
plt.show() # 原图
plt.imshow(erosion[:,:,::-1])
plt.show() # 腐蚀后结果
plt.imshow(dilate[:,:,::-1])
plt.show() # 膨胀后结果
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
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(用来参照的,上述结构B)
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
img = cv.imread("../image/yy.jpg")
# 创建核结构
kernel = np.ones((10,10),np.uint8)
#图像的开闭运算
cvOPen = cv.morphologyEx(img,cv.MORPH_OPEN,kernel) #开运算
cvClose = cv.morphologyEx(img,cv.MORPH_CLOSE,kernel) #闭运算
#图像展示
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(10,8))
axes[0].imshow(img[:,:,::-1]), axes[0].set_title("原图")
axes[1].imshow(cvOPen[:,:,::-1]), axes[1].set_title("开运算结果")
axes[2].imshow(cvClose[:,:,::-1]), axes[2].set_title("闭运算结果")
plt.show()
1.礼帽运算
原图像与**“开运算“的结果图**之差,如下式计算:
因为开运算带来的结果是放大了裂缝或者局部低亮度的区域,因此,从原图中减去开运算后的图,得到的效果图突出了比原图轮廓周围的区域更明亮的区域,且这一操作和选择的核的大小相关。
礼帽运算用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候,而微小物品比较有规律的情况下,可以使用顶帽运算进行背景提取。
2.黑帽运算
“闭运算“的结果图与原图像之差,如下式计算:
黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域,且这一操作和选择的核的大小相关。
黑帽运算用来分离比邻近点暗一些的斑块。
3.API
cv.morphologyEx(img,op,kernel)
参数:
1.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
2.形态学操作
注:以上数据来自b站黑马程序员视频,点击跳转