OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算

OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第1张图片

  • 1. 形态学
  • 2. 常用接口
    • 2.1 cvtColor()
    • 2.2 图像二值化
      • threshod()
      • 自适应阈值二值化
        • adaptiveThreshod()
    • 2.3 腐蚀与膨胀
      • erode()
      • getStructuringElement()
      • dilate()
    • 2.4开、闭、梯度、顶帽、黑帽运算
      • morphologyEx()

1. 形态学

OpenCV形态学是一种基于OpenCV库的数字图像处理技术,主要用于处理图像的形状、结构和空间关系。它包括一系列图像处理工具和算法,包括膨胀、腐蚀、开运算、闭运算、形态学梯度、顶帽、黑帽等。

通过对图像进行形态学操作可以实现一些重要的图像处理任务,比如去除噪声、分离图像中的对象、填充图像中的空洞、改变图像的形状、寻找图像中的轮廓等等。在OpenCV中,形态学操作通常采用二值图像进行处理,它可以通过C++或Python编程实现具体的形态学算法

2. 常用接口

在对图片进行相关操作之前,我们首先要先将彩色图片转变为灰度图像,方便图像的二值化。

2.1 cvtColor()

转换颜色通道的API
dst = cv2.cvtColor( img , cv2.COLOR_BGR2GRAY)
第二个参数为BGR图像转到灰度图像。

2.2 图像二值化

threshod()

该API能将灰度图像按照设定的阈值,将图像二值化。

ret ,dst = cv2.threshod( img, thresh, maxVal, type)
img:图像,最好是灰度图。
thresh:阈值(低于阈值为0,高于阈值的部分为maxVal)
maxVal:超过阈值的替换成maxVal
返回值有两个,第一个是使用的阈值,第二个是输出后的图像

type:

  • CV2.THRESH_BINARY
  • CV2.THRESH_BINARY_INV
  • CV2.THRESH_TRUNC
  • CV2.THRESH_TOZERO
  • CV2.THRESH_TOZERO_INV

OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第2张图片
上图显示了不同参数下,二值化的不同图像,第一个图为原始图像,后面的为不同的规则。


下列示例将一个灰度图分别以阈值100,180进行二值化。

import cv2
import numpy as np

img = cv2.imread('./image/lena_small.png')
# 将图片转换为灰度图
img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 将阈值设为100,180
ret, img2 = cv2.threshold(img1, 100, 255, cv2.THRESH_BINARY)
ret1, img3 = cv2.threshold(img1, 180, 255, cv2.THRESH_BINARY)

cv2.imshow('orgin_img', img1)
cv2.imshow('img_100', img2)
cv2.imshow('img_180', img3)

cv2.waitKey(0)


OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第3张图片

自适应阈值二值化

有时候由于光照不均匀以及阴影的存在,有可能导致阴影部分的白色会被二值化为黑色,因此只有一个阈值的缺陷就暴露了出来。
OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第4张图片
用全局二值化,将阈值设置为180时,由于阴影的存在,会将阴影部分黑化,导致显示不完全。因次提出了自适应二值化的方法。

adaptiveThreshod()

dst = cv2.adaptiveThreshod(img, maxVal, adaptiveMethod, Type, blockSize, C)
img:需要二值化的图像(最好是灰度图
maxVal:超过阈值的像素设置成maxVal
adaptiveMethod:见下图
Type:为全局二值化的Type
blockSize:临近区域的大小,填奇数
C:常量,从计算的平均值或加权平均值中减去,一般为0

OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第5张图片

2.3 腐蚀与膨胀

腐蚀就是将一个图片关键部分“缩小“,膨胀将一个图形的关键部分放大。卷积核通常为全1的奇数矩阵。

OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第6张图片

OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第7张图片

erode()

原始图像中的一个像素无论是1还是0,只有当内核中的所用像素都是1时,结果才是1,否则结果就是0
dst = cv2.erode(img, kenel, iterations = 1)
img:要腐蚀的图像
kenel:卷积核,全1的矩阵
iterations:执行次数,默认为1次

OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第8张图片

getStructuringElement()

便捷API,帮助我们获得指定大小的卷积核
kernel = cv2.getStructuringElement(type, Size)
Type:MORPH_RECT(矩形);MORPH_ELLIPSE(椭圆形部分为1);MORPH_CROSS(十字架部分为1)
Size:(3, 3);(5, 5)…

import cv2
import numpy as np

img = cv2.imread('./image/j.png')

# 自己创建5*5的卷积核
# kernel = np.ones((5, 5), np.uint8)
# 获得卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
dst = cv2.erode(img, kernel)

cv2.imshow('orgin_img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)

OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第9张图片

dilate()

只要锚点非0,那么结果非0,卷积核越大,膨胀越大
dst = cv2.dilate(img, kernel, iterations = 1)
img:要膨胀的图像
kenel:卷积核,全1的矩阵
iterations:执行次数,默认为1次

import cv2
import numpy as np

img = cv2.imread('./image/j.png')

# 自己创建5*5的卷积核
# kernel = np.ones((5, 5), np.uint8)
# 获得卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# # 腐蚀
# dst = cv2.erode(img, kernel)

# 膨胀
dst = cv2.dilate(img, kernel)

cv2.imshow('orgin_img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)

OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第10张图片

2.4开、闭、梯度、顶帽、黑帽运算

开运算:腐蚀+膨胀
闭运算:膨胀+腐蚀
梯度:原图-腐蚀
顶帽:原图-开运算
黑帽:原图-闭运算

morphologyEx()

dst = cv2.morphologyEx(img, Type, kernel)
img:进行操作的原图
kernel:噪点大,用大核

Type:

  • MORPH_OPEN/MORPH_CLOSE(开闭运算)
  • MORPH_GRADIENT(梯度运算)
  • MORPH_TOPHAT/MORPH_BLACKHAT(顶黑帽)

开运算:去除文字外的小噪点
OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第11张图片

闭运算:去除文字内的小噪点
OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第12张图片

梯度运算:获得文字的轮廓
OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第13张图片
顶帽:得到大图像外的小图形
OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第14张图片

黑帽:得到大图形内的小图形
OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算_第15张图片
以上就是形态学相关API的使用。

你可能感兴趣的:(图像处理,opencv,python,计算机视觉)