python+opencv图像形态学处理
本篇博客主要是关于形态学中的腐蚀、膨胀、开运算、闭运算、礼帽和黑帽的函数用法。
内容会比较，为方便查阅。代码的解释会写在代码中。
用于测试的图像原图：
一、腐蚀
- 关于腐蚀就是将图像的边界腐蚀掉，或者说使得图像整体上看起来变瘦了。它的操作原理就是卷积核沿着图像滑动，如果与卷积核对应的原图像的所有像素值都是1，那么中心元素保持原来的值，否则就变为0。这对于去除白噪声很有用，也可以用于断开两个连载一起的物体。
- 通俗的讲，腐蚀操作就是让图像整体看起来瘦一点。
- 但是老猫发现，这句话并不完全正确，腐蚀操作不一定会让图像变瘦，有可能还会让它变胖。
例如：
1 #腐蚀 2 #读取图像 3 img1=cv.imread("oldcat.jpg") 4 5 #将图像进行反向二值化操作，即将白色部分变为黑色，黑色部分变为白色 6 #ret,img2=cv.threshold(img1,80,255,cv.THRESH_BINARY_INV) 7 8 #定义一个3*3的卷积核
9 kernel=np.ones((3,3),np.uint8) 10 11 #图像腐蚀：cv2.erode(输入图像，卷积核，iterations=腐蚀的次数) 12 erosion=cv.erode(img1,kernel,iterations=1) 13 14 #在图像上添加文本，方便分清每个操作相对应的图像 15 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8) 16 cv.putText(erosion,"erosion",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8) 17 18 #将原图像和腐蚀操作的图像放在同一个窗口显示 19 glay=np.hstack((img1,erosion)) 20 cv.imshow("glay",glay) 21 cv.waitKey(0) 22 cv.destroyAllWindows()
效果图：
可以发现：
相比于原图，腐蚀并没有变瘦，反而还“胖”了。
原因：
形态学处理是一个对二值化灰度图像的处理，主要是对白色图像的一个卷积操作。
由于原图字体是黑色，底色为白色，所以在进行腐蚀操作的时候，卷积核中只要有一个点为0，卷积核的中心点也会为0。
解决方法：
对原图像进行一个反向二值化处理，即将白色部分变为黑色，黑色部分变为白色
去掉上面代码ret,img2=cv.threshold(img,80,255,cv.THRESH_BINARY_INV)的注释，同时将erosion=cv.erode(img1,kernel,iterations=1)改为erosion=cv.erode(img2,kernel,iterations=1)
效果图：
如图所示：这样腐蚀处理的图像才会变瘦
二、膨胀
膨胀：卷积核所对应的原图像的像素值只要有一个是1，中心像素值就是1。一般在除噪是，先腐蚀再膨胀，因为腐蚀在去除白噪声的时候也会使图像缩小，所以我们之后要进行膨胀。当然也可以用来将两者物体分开。
例如：
1 import numpy as np 2 import cv2 as cv 3 #膨胀 4 #读取图像 5 img1=cv.imread("oldcat.jpg",0) 6 7 #将图像进行反向二值化操作，即将白色部分变为黑色，黑色部分变为白色 8 ret,img2=cv.threshold(img1,80,255,cv.THRESH_BINARY_INV) 9 10 #定义一个3*3的卷积核 11 kernel=np.ones((3,3),np.uint8) 12 13 #图像腐蚀：cv2.dilate(输入图像，卷积核，iterations=腐蚀的次数) 14 dilation=cv.dilate(img2,kernel,iterations=1) 15 16 #在图像上添加文本，方便分清每个操作相对应的图像 17 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8) 18 19 #将原图像和膨胀操作的图像放在同一个窗口显示 20 glay=np.hstack((img1,dilation)) 21 cv.imshow("glay",glay) 22 cv.waitKey(0) 23 cv.destroyAllWindows()
效果图：
腐蚀和膨胀是比较简单的。
三、开运算
了解形态学基本处理的同学都知道，开运算和闭运算就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先的图像。
例如：
1 import numpy as np 2 import cv2 as cv 3 #开运算 4 #先腐蚀，再膨胀 5 img1=cv.imread("oldcat.jpg",0) 6 #反二值化，小于127设为255，即黑变白；大于127的设为 0，即白变黑。 7 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV) 8 9 #定义一个3*3的卷积核 10 kernel=np.ones((3,3),np.uint8) 11 12 #开运算 13 opening2=cv.morphologyEx(img2,cv.MORPH_OPEN,kernel) 14 15 #在图像上添加文本，方便分清每个操作相对应的图像 16 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8) 17 18 #将原图像和开运算操作的图像放在同一个窗口显示 19 glay=np.hstack((img1,opening2)) 20 cv.imshow("glay",glay) 21 cv.waitKey(0) 22 cv.destroyAllWindows()
效果图：
四、闭运算
闭运算：就是先膨胀，后腐蚀，也是不可逆的。
1 import numpy as np 2 import cv2 as cv 3 #闭运算 4 #先膨胀，后腐蚀 5 img1=cv.imread("oldcat.jpg",0) 6 #反二值化，小于127设为255，即黑变白；大于127的设为 0，即白变黑。 7 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV) 8 9 #定义一个3*3的卷积核 10 kernel=np.ones((3,3),np.uint8) 11 12 #闭运算 13 closing=cv.morphologyEx(img2,cv.MORPH_CLOSE,kernel) 14 15 #在图像上添加文本，方便分清每个操作相对应的图像 16 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8) 17 18 #将原图像和闭运算操作的图像放在同一个窗口显示 19 glay=np.hstack((img1,closing)) 20 cv.imshow("glay",glay) 21 cv.waitKey(0) 22 cv.destroyAllWindows()
效果图：
五、梯度运算
梯度运算，类似于提取轮廓。梯度=膨胀-腐蚀
例如：
1 import numpy as np 2 import cv2 as cv 3 #梯度运算，类似于提取轮廓 4 #梯度=膨胀-腐蚀 5 img1=cv.imread("oldcat.jpg",0) 6 7 #反二值化，小于127设为255，即黑变白；大于127的设为 0，即白变黑。 8 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV) 9 10 #定义一个3*3的卷积核 11 kernel=np.ones((3,3),np.uint8) 12 13 #梯度运算 14 gradient=cv.morphologyEx(img2,cv.MORPH_GRADIENT,kernel) 15 16 #在图像上添加文本，方便分清每个操作相对应的图像 17 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8) 18 19 #将原图像和梯度运算操作的图像放在同一个窗口显示 20 glay=np.hstack((img1,gradient)) 21 cv.imshow("glay",glay) 22 cv.waitKey(0) 23 cv.destroyAllWindows()
效果图：
六、礼帽
礼帽就是原始初入减去开运算结果
例如：
1 import numpy as np 2 import cv2 as cv 3 #礼帽，小线条 4 #礼帽=原始输入-运算结果 5 img1=cv.imread("oldcat.jpg",0) 6 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV) 7 kernel=np.ones((3,3),np.uint8) 8 9 #礼帽 10 tophat=cv.morphologyEx(img2,cv.MORPH_TOPHAT,kernel) 11 12 #在图像上添加文本，方便分清每个操作相对应的图像 13 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8) 14 15 #将原图像和礼帽运算操作的图像放在同一个窗口显示 16 glay=np.hstack((img1,tophat)) 17 cv.imshow("glay",glay) 18 cv.waitKey(0) 19 cv.destroyAllWindows()
效果图：
七、黑帽
黑帽=闭运算-原始输入
例如：
1 import numpy as np 2 import cv2 as cv 3 #黑帽。只能看见大概轮廓 4 #黑帽=闭运算-原始输入 5 img1=cv.imread("oldcat.jpg",0) 6 ret,img2=cv.threshold(img1,127,255,cv.THRESH_BINARY_INV) 7 kernel=np.ones((3,3),np.uint8) 8 9 #黑帽 10 blackhat=cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel) 11 12 #在图像上添加文本，方便分清每个操作相对应的图像 13 cv.putText(img1,"original",(150,230),cv.FONT_HERSHEY_COMPLEX,1,(0,0,255),2,8) 14 15 #将原图像和开运算操作的图像放在同一个窗口显示 16 glay=np.hstack((img1,blackhat)) 17 cv.imshow("glay",glay) 18 cv.waitKey(0) 19 cv.destroyAllWindows()
效果图：
八、总结
- 本篇博客主要是关于图像形态学处理，文字描述虽然不多，但是每一行代码都有解释，并且每一个运算处理的效果图都有原图和处理后的图像对比。
- 图像形态学处理是针对灰度图的，所以在读取原图的过程中，直接关闭了颜色通道，虽然方便但也有不足，就是图像上，添加的文字信息也会失去颜色。具体可以观察腐蚀处理和膨胀处理再读取代码上的区别。
- 为了方便更容易理解，我是将原图进行了一个二值化反色处理，再进行相应的形态学处理。若不进行二值化反色处理，结果是跟我的效果图是不一样的。具体就是将代码中的二值化处理代码去掉，大家可以试一试，对比观察，更深的理解形态学处理是什么实现的。
实践出真知，博客的代码很完整，但还需要自己实际写一遍才能更加理解。