今天小编给大家分享一下Python常用图像形态学操作实例分析的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。
在一些图像中,会有一些异常的部分,比如这样的毛刺:
对于这样的情况,我们就可以应用复式操作了。需要注意的是,腐蚀操作只能处理二值图像,即像素矩阵的值只有0(黑色)和255(白色)。我们先看看代码和效果:
import cv2 import numpy as np img = cv2.imread('dagongren.png') # 腐蚀的代码 kernel = np.ones((3,3),np.uint8) erosion = cv2.erode(img,kernel,iterations = 1) cv2.imshow('erosion', erosion) cv2.waitKey(0) cv2.destroyAllWindows()
这张图片已经几乎看不到毛刺了,但与此同时,三个文字也小了一点,这就是腐蚀操作。所谓腐蚀操作,就是我们设置一个n×n的矩阵,这个矩阵可以视为一个卷积核,在原图上进移动。矩阵覆盖住的像素点中,如果有0(黑色),那么该卷积核的中心位置置零,反之,如果该卷积核内全都是255,则不做操作:
注意:我们可以理解成腐蚀操作是完全根据原图生成的新图,而不是在原土上的修改。
接下来我们再看看腐蚀的代码:
kernel = np.ones((3,3),np.uint8) erosion = cv2.erode(img,kernel,iterations = 1)
首先,我们要利用numpy库生成一个n×n大小的全1矩阵kernel作为卷积核,并且需要指定数据类型为无符号8位整数。然后使用erode()函数,其接收的参数分别为图像矩阵,kernel矩阵,以及迭代次数。迭代次数就是腐蚀操作的次数。下面我们用一个圆来查看一下不同迭代次数的腐蚀效果:
import cv2 import numpy as np kernel = np.ones((30,30),np.uint8) pie = cv2.imread('pie.png') # 观察不同的迭代次数 erosion_1 = cv2.erode(pie,kernel,iterations = 1) erosion_2 = cv2.erode(pie,kernel,iterations = 2) erosion_3 = cv2.erode(pie,kernel,iterations = 3) res = np.hstack((erosion_1,erosion_2,erosion_3)) cv2.imshow('res', res) cv2.waitKey(0) cv2.destroyAllWindows()
腐蚀操作可以腐蚀掉二值图像的边缘,因此可以消除掉一些图片上的毛刺,但是损失一些原图相中有效的部分也是在所难免的。膨胀其实就是腐蚀操作的反面。“卷积核”包裹住的像素中有255,则这个卷积核中心位置会置为255,否则不变。因此,膨胀操作会把原本的图像范围进行扩大:
import cv2 import numpy as np img = cv2.imread('dagongren.png') kernel = np.ones((3,3),np.uint8) # 膨胀操作 dige_dilate = cv2.dilate(img,kernel,iterations = 1) cv2.imshow('dilate', dige_dilate) cv2.waitKey(0) cv2.destroyAllWindows()
可以看到,膨胀操作后,图像的范围变大了一圈,就连毛刺也都扩大了。膨胀操作通常会配合腐蚀操作一起使用的,先腐蚀在膨胀,可以在保持图片中有效内容大小大体不变的情况下去除掉毛刺:
import cv2 import numpy as np img = cv2.imread('dagongren.png') kernel = np.ones((3,3),np.uint8) # 腐蚀 erosion = cv2.erode(img,kernel,iterations = 1) # 对原图像进行腐蚀 # 膨胀 dige_dilate = cv2.dilate(erosion,kernel,iterations = 1) # 对腐蚀后图像进行膨胀 cv2.imshow('dilate', dige_dilate) cv2.waitKey(0) cv2.destroyAllWindows()
开运算与闭运算都是应用腐蚀与膨胀操作来处理原图像的。区别在于开运算是先腐蚀在膨胀,闭运算是先膨胀再腐蚀。这两个操作需要用到的函数都是morphologyEx(),只需要调整参数即可完成两种不同的操作。
执行开运算的函数是:
cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
kernel依然是n×n的矩阵,cv2.MORPH_OPEN指定了执行运算为开运算:
import cv2 import numpy as np img = cv2.imread('dagongren.png') kernel = np.ones((3,3),np.uint8) opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) cv2.imshow('opening', opening) cv2.waitKey(0) cv2.destroyAllWindows()
结果为:
和开运算基本相同,只需要把morphologyEx()函数的第二个参数改为cv2.MORPH_CLOSE即可:
import cv2 import numpy as np img = cv2.imread('dagongren.png') kernel = np.ones((3,3),np.uint8) closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel) cv2.imshow('closing', closing) cv2.waitKey(0) cv2.destroyAllWindows()
很明显,先膨胀再腐蚀和原图并没有什么区别,仅仅是比原图大了一圈,因此闭运算也没有开运算应用广泛。
梯度运算本质是膨胀-腐蚀。从这个定义中不难发现,梯度就是原图的边缘部分。获取梯度依然要用到morphologyEx()函数,将第二个参数改为cv2.MORPH_GRADIENT即可:
import cv2 import numpy as np img = cv2.imread('dagongren.png') kernel = np.ones((3,3),np.uint8) # 先用开运算把毛刺去掉: img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel) cv2.imshow('gradient', gradient) cv2.waitKey(0) cv2.destroyAllWindows()
得到的结果就是下面这样:
礼帽和黑帽都是翻译的结果,因此我们不能望文生义。礼貌操作就是原始图像-开运算结果,黑帽操作是闭运算-原始输入。依然是用morphologyEx()函数,通过修改第二个参数完成。
礼帽操作需要用到的参数是cv2.MORPH_TOPHAT。由礼帽操作的定义可以直到,礼帽操作可以得到图片中的“毛刺”部分:
import cv2 import numpy as np img = cv2.imread('dagongren.png') kernel = np.ones((3,3),np.uint8) # 礼帽操作 tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) cv2.imshow('tophat', tophat) cv2.waitKey(0) cv2.destroyAllWindows()
得到的结果为:
黑帽操作需要用到的参数是cv2.MORPH_BLACKHAT,黑帽运算会输出执行闭运算后的图像比原图大出的一小圈轮廓:
import cv2 import numpy as np img = cv2.imread('dagongren.png') kernel = np.ones((5,5),np.uint8) # kernel矩阵维度大一些会让黑帽操作的结果更明显 # 黑帽操作 tophat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel) cv2.imshow('tophat', tophat) cv2.waitKey(0) cv2.destroyAllWindows()
以上就是“Python常用图像形态学操作实例分析”这篇文章的所有内容,感谢各位的阅读!相信大家阅读完这篇文章都有很大的收获,小编每天都会为大家更新不同的知识,如果还想学习更多的知识,请关注亿速云行业资讯频道。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。