opencv学习：形态学操作和边缘检测算子

cv2.morphologyEx() 是 OpenCV 库中的一个函数，用于执行更复杂的形态学操作。这个函数可以执行开运算、闭运算、梯度运算、膨胀、腐蚀以及顶帽和黑帽转换等。这些操作通常用于图像预处理，如去除噪声、平滑边界、突出特征等。

dst = cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])

参数说明：

• src：输入图像，可以是灰度图像或彩色图像。
• op：指定要执行的形态学操作类型，可以是以下值之一：
  • cv2.MORPH_ERODE：腐蚀操作
  • cv2.MORPH_DILATE：膨胀操作
  • cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）
  • cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）
  • cv2.MORPH_GRADIENT：梯度运算（膨胀图像减去腐蚀图像）
  • cv2.MORPH_TOPHAT：顶帽运算（原图像减去开运算图像）
  • cv2.MORPH_BLACKHAT：黑帽运算（闭运算图像减去原图像）
• kernel：结构元素，用于定义操作的尺寸和形状。
• dst：输出图像，与输入图像具有相同的大小和类型。
• anchor：结构元素的锚点（默认为 (-1, -1)，即结构元素的中心）。
• iterations：操作的迭代次数（默认为 1）。
• borderType：边界像素的填充方式（默认为 cv2.BORDER_CONSTANT）。
• borderValue：用于边界填充的值（默认为 0）

膨胀操作

wenzi = cv2.imread("4.png")
kernel = np.ones((2,2), np.uint8)# 创建一个2x2的结构元素
# 对图像进行膨胀操作，可以增大图像中的亮区域
pz_wenzi = cv2.dilate(wenzi, kernel, iterations=2)
cv2.imshow("pz_wenzi", pz_wenzi)

腐蚀操作

# 对图像进行腐蚀操作，可以减小图像中的亮区域
fs_wenzi = cv2.erode(wenzi, kernel, iterations=2)
cv2.imshow("fs_wenzi", fs_wenzi)

开运算

sun = cv2.imread("3.png")
kernel = np.ones((2,2), np.uint8)# 创建一个2x2的结构元素
# 对图像进行开运算
open_sun = cv2.morphologyEx(sun, cv2.MORPH_OPEN, kernel)
cv2.imshow("opensun", open_sun)

闭运算

# 对图像进行闭运算，可以填充小的空洞
close_sun = cv2.morphologyEx(sun, cv2.MORPH_CLOSE, kernel)
cv2.imshow("close_sun", close_sun)

梯度操作

# 对图像进行梯度操作，可以突出图像中的边缘
bianyuan = cv2.morphologyEx(wenzi, cv2.MORPH_GRADIENT, kernel)
cv2.imshow("bianyuan", bianyuan)

顶帽操作

# 对图像进行顶帽操作，可以突出比邻近区域亮的区域
tophat = cv2.morphologyEx(sun, cv2.MORPH_TOPHAT, kernel)
cv2.imshow("tophat", tophat)

黑帽操作

# 执行黑帽运算
blackhat_image = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('Black Hat Image', blackhat_image)

在图像处理中，Sobel、Scharr 、 Laplacian和Canny 算子都是用于边缘检测的算法。它们通过计算图像的梯度来识别图像中的边缘。下面是每种算子的简要说明：

Sobel 算子

Sobel 算子是一种用于边缘检测的离散微分算子。它结合了高斯平滑和微分求导，用于计算图像亮度的空间梯度，从而突出图像的边缘。

• 优点：对噪声不太敏感，因为它结合了平滑和微分。
• 缺点：可能会产生不精确的边缘定位。

• # 使用 Sobel 算子计算 x 方向的梯度
  yuan_x = cv2.Sobel(yuan, -1, dx=1, dy=0)
  # 显示 x 方向的梯度图像
  cv2.imshow('yuan_x', yuan_x)
  
  # 使用 Sobel 算子计算 x 方向的梯度（64位浮点数）
  yuan_x_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=1, dy=0)
  # 显示 64位浮点数的 x 方向梯度图像
  cv2.imshow('yuan_x_64', yuan_x_64)
  # 转换为 8 位无符号整数并显示
  yuan_x_full = cv2.convertScaleAbs(yuan_x_64)
  cv2.imshow('yuan_x_full', yuan_x_full)
  
  # 使用 Sobel 算子计算 y 方向的梯度
  yuan_y = cv2.Sobel(yuan, -1, dx=0, dy=1)
  # 显示 y 方向的梯度图像
  cv2.imshow('yuan_y', yuan_y)
  
  # 使用 Sobel 算子计算 y 方向的梯度（64位浮点数）
  yuan_y_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=0, dy=1)
  # 显示 64位浮点数的 y 方向梯度图像
  cv2.imshow('yuan_y_64', yuan_y_64)
  # 转换为 8 位无符号整数并显示
  yuan_y_full = cv2.convertScaleAbs(yuan_y_64)
  cv2.imshow('yuan_y_full', yuan_y_full)
  
  # 将 x 和 y 方向的梯度图像合并显示
  yuan_xy_full = cv2.addWeighted(yuan_x_full, 1, yuan_y_full, 1, 0)
  cv2.imshow('yuan_xy_full', yuan_xy_full)
  

Scharr 算子

Scharr 算子是 Sobel 算子的改进版，它提供了更好的近似。Scharr 算子使用更精确的滤波器系数来计算梯度，因此通常会产生更准确的边缘定位。

• 优点：比 Sobel 算子更精确，因为它使用更精确的滤波器。
• 缺点：计算量略大，因为它使用更大的核。

• # 使用 Scharr 算子计算 x 方向的梯度（64位浮点数）
  yuan_x_64 = cv2.Scharr(yuan, cv2.CV_64F, dx=1, dy=0)
  # 转换为 8 位无符号整数并显示
  yuan_x_full = cv2.convertScaleAbs(yuan_x_64)
  # 注意：这里覆盖了之前显示的 'yuan_x_full' 图像
  cv2.imshow('yuan_x_full', yuan_x_full)
  
  # 使用 Scharr 算子计算 y 方向的梯度（64位浮点数）
  yuan_y_64 = cv2.Scharr(yuan, cv2.CV_64F, dx=0, dy=1)
  # 转换为 8 位无符号整数并显示
  yuan_y_full = cv2.convertScaleAbs(yuan_y_64)
  # 注意：这里覆盖了之前显示的 'yuan_y_full' 图像
  cv2.imshow('yuan_y_full', yuan_y_full)
  # 将 Scharr 算子计算的 x 和 y 方向的梯度图像合并显示
  yuan_xy_full = cv2.addWeighted(yuan_x_full, 1, yuan_y_full, 1, 0)
  cv2.imshow('yuan_xy_full', yuan_xy_full)

Laplacian 算子

Laplacian 算子是一种二阶导数算子，用于检测图像中的边缘。它通过计算图像亮度的二阶导数来工作，可以识别图像中的区域，其中亮度有显著变化。

• 优点：可以检测所有方向的边缘，并且对图像中的噪声不太敏感。
• 缺点：可能会产生多个响应，包括非边缘区域，因为它对二阶导数的零交叉点敏感。

• # 读取车牌图像
  zl = cv2.imread('che.png', cv2.IMREAD_GRAYSCALE)
  
  # 使用 Laplacian 算子进行边缘检测
  zl_lap = cv2.Laplacian(zl, cv2.CV_64F)
  # 转换为 8 位无符号整数并显示
  zl_lap_full = cv2.convertScaleAbs(zl_lap)
  cv2.imshow('zl_lap_full', zl_lap_full)

 Canny 算子

Canny 算子是一种多阶段算法，用于边缘检测，被认为是最优化的边缘检测算法之一。它包括噪声降低、计算梯度、非极大值抑制、双阈值检测和边缘跟踪等步骤。

• 优点：提供了很好的边缘检测性能，能够准确地检测到边缘并最小化响应错误。
• 缺点：算法相对复杂，计算量较大。

• zl_canny=cv2.Canny(zl,700,500)
  cv2.imshow('zl_canny',zl_canny)