文章目录
- 1.图像形态学运算简介
- 2.图像开运算处理
-
- 2.1.图像开运算处理简介
- 2.2.图像开运算处理代码
- 2.3.图像开运算处理效果
- 3.图像闭运算处理
-
- 3.1.图像闭运算处理简介
- 3.2.图像闭运算处理代码
- 3.3.图像闭运算处理效果
- 4.图像形态学梯度处理
-
- 4.1.图像形态学梯度处理简介
- 4.2.图像形态学梯度处理代码
- 4.3.图像形态学梯度处理效果
- 5.图像顶帽处理
-
- 5.1.图像顶帽处理简介
- 5.2.图像顶帽处理代码
- 5.3.图像顶帽处理效果
- 6.图像黑帽处理
-
- 6.1.图像黑帽处理简介
- 6.2.图像黑帽处理代码
- 6.3.图像黑帽处理效果
- 7.参考文章与致谢
1.图像形态学运算简介
1.图像形态学运算简介:
(1)图像形态学是指以形态为基础对图像进行分析的一种方法或技术。
(2)图像形态学操作的核心思想是:从图像中提取用于表达或描绘图像形状的信息。
(3)图像形态学操作的目的是:使计算机更够更好的对图像进行识别和理解。因为图像形态学处理后可以简化图像数据,
同时保存了它们基本的形状特性,去除了不相干的结构。
常见的图像形态学处理操作:
![3.3.OpenCV技能树--二值图像处理--图像形态学操作_第1张图片](http://img.e-com-net.com/image/info8/ff90464fc507495a9f3fc982567fc887.jpg)
2.图像开运算处理
2.1.图像开运算处理简介
2.1.图像开运算处理简介:
(1)开运算cv2.MORPH_OPEN:先腐蚀后膨胀--dilate(erode(img))
(2)图像开运算是图像依次经过腐蚀、膨胀处理后的过程。图像被腐蚀后,去除了噪声,但是也压缩了图像;
接着对腐蚀过的图像进行膨胀处理,可以去除噪声,并保留原有图像。
2.2.图像开运算处理代码
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)
opening_img1= cv2.morphologyEx(img, cv2.MORPH_OPEN,kernel1)
kernel2= np.ones((15, 15), np.uint8)
opening_img2= cv2.morphologyEx(img, cv2.MORPH_OPEN,kernel2)
plt.figure(figsize=(10,8))
figure=[img,opening_img1,opening_img2]
titile=[u'Orignal Figure',u'Opening Figure(k=9)',u'Opening Figure(k=15)']
for i in range(3):
plt.subplot(1,3,i+1)
plt.imshow(figure[i])
plt.title(titile[i])
plt.xticks([]),plt.yticks([])
2.3.图像开运算处理效果
![3.3.OpenCV技能树--二值图像处理--图像形态学操作_第2张图片](http://img.e-com-net.com/image/info8/45dfe548e39b4eed94e9a56824618389.jpg)
3.图像闭运算处理
3.1.图像闭运算处理简介
3.1.图像闭运算处理简介:
(1)闭运算cv2.MORPH_CLOSE:先膨胀后腐蚀--erode(dilate(img))
(2)图像闭运算是图像依次经过膨胀、腐蚀处理后的过程。图像先膨胀,后腐蚀,它有助于关闭前景物体内部的小孔,
或物体上的小黑点。如下图所示:
3.2.图像闭运算处理代码
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)
kernel2= np.ones((15, 15), np.uint8)
closing1_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel1)
closing2_img= cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel2)
plt.figure(figsize=(10,8))
figure=[img,closing1_img,closing2_img]
titile=[u'Orignal Figure',u'Clongsing Figure(k=9)',u'Clongsing Figure(k=15)']
for i in range(3):
plt.subplot(1,3,i+1)
plt.imshow(figure[i])
plt.title(titile[i])
plt.xticks([]),plt.yticks([])
3.3.图像闭运算处理效果
![3.3.OpenCV技能树--二值图像处理--图像形态学操作_第3张图片](http://img.e-com-net.com/image/info8/7bd1fbe80ba2480182a233523d83d23c.jpg)
4.图像形态学梯度处理
4.1.图像形态学梯度处理简介
4.1.图像形态学梯度处理简介:
(1)形态学梯度cv2.MORPH_GRADIENT:膨胀图-腐蚀图--dilate(img)-erode(img)
(2)图像梯度运算是膨胀图像减去腐蚀图像的结果,得到图像的轮廓,其中二值图像1表示白色点,0表示黑色点。
4.2.图像形态学梯度处理代码
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)
kernel2= np.ones((15, 15), np.uint8)
gradient1_img = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel1)
gradient2_img= cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel2)
plt.figure(figsize=(10,8))
figure=[img,gradient1_img,gradient2_img]
titile=[u'Orignal Figure',u'Gradient Figure(k=9)',u'Gradient Figure(k=15)']
for i in range(3):
plt.subplot(1,3,i+1)
plt.imshow(figure[i])
plt.title(titile[i])
plt.xticks([]),plt.yticks([])
4.3.图像形态学梯度处理效果
![3.3.OpenCV技能树--二值图像处理--图像形态学操作_第4张图片](http://img.e-com-net.com/image/info8/2f7ba8828f2f42b880bec7f56a329602.jpg)
5.图像顶帽处理
5.1.图像顶帽处理简介
5.1.图像顶帽处理简介:
(1)顶帽运算是原图-开运算图,所以顶帽运算可以获得图像的噪声信息,或者得到比原始图的边缘更亮的边缘信息。
(2)顶帽运算cv2.MORPH_TOPHAT:也叫礼帽运算,原始图像-开运算结果 -- img-open(img)
5.2.图像顶帽处理代码
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)
kernel2= np.ones((15, 15), np.uint8)
tophat1_img = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel1)
tophat2_img= cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel2)
plt.figure(figsize=(10,8))
figure=[img,tophat1_img,tophat2_img]
titile=[u'Orignal Figure',u'Tophat Figure(k=9)',u'Tophat Figure(k=15)']
for i in range(3):
plt.subplot(1,3,i+1)
plt.imshow(figure[i])
plt.title(titile[i])
plt.xticks([]),plt.yticks([])
5.3.图像顶帽处理效果
![3.3.OpenCV技能树--二值图像处理--图像形态学操作_第5张图片](http://img.e-com-net.com/image/info8/4722a71ee48d4277897a817af6beff16.jpg)
6.图像黑帽处理
6.1.图像黑帽处理简介
6.1.图像黑帽处理简介
(1)黑帽运算cv2.MORPH_BLACKHAT: 闭运算结果-原始图像 -- close(img)-img
(2)黑帽运算是闭运算图像-原始算图,所以黑帽运算可以获得图像内部的噪音,或者得到比原始图的边缘更暗的边缘信息。
6.2.图像黑帽处理代码
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)
kernel2= np.ones((15, 15), np.uint8)
Blackhat1_img = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel1)
Blackhat2_img= cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel2)
plt.figure(figsize=(10,8))
figure=[img,Blackhat1_img,Blackhat2_img]
titile=[u'Orignal Figure',u'Blackhat Figure(k=9)',u'Blackhat Figure(k=15)']
for i in range(3):
plt.subplot(1,3,i+1)
plt.imshow(figure[i])
plt.title(titile[i])
plt.xticks([]),plt.yticks([])
6.3.图像黑帽处理效果
![3.3.OpenCV技能树--二值图像处理--图像形态学操作_第6张图片](http://img.e-com-net.com/image/info8/b54aee386b024c8bbd95df5c163d06a4.jpg)
7.参考文章与致谢
本章内容的完成离不开大佬们的文章/博客的启发和帮助,在这里列出名单,如果对于内容还有不懂的,可以移步对应的文章进行进一步的理解分析。
1.形态学操作的特点:https://blog.csdn.net/yxdd1gbk/article/details/91566586
2.Opencv形态学开闭运算:https://blog.csdn.net/qq_42856191/article/details/123670455
3.形态学处理:https://blog.csdn.net/zaishuiyifangxym/article/details/89791458
4.opencv学习笔记(八):图像形态学操作:https://zhuanlan.zhihu.com/p/511628175
5.OPenCV技能树专栏:https://edu.csdn.net/skill/opencv/opencv-50c11401b1e8431c964f0771cfe7941b?category=658&typeId=20786
如果大家这这篇blog中有什么不明白的可以去他们的专栏里面看看,内容非常全面,应该能够有比较好的解答。
在文章的最后再次表达由衷的感谢!!