Python 图像处理 OpenCV (9):图像处理形态学开运算、闭运算以及梯度运算
前文传送门:
「Python 图像处理 OpenCV (2):像素处理与 Numpy 操作以及 Matplotlib 显示图像」
「Python 图像处理 OpenCV (3):图像属性、图像感兴趣 ROI 区域及通道处理」
「Python 图像处理 OpenCV (4):图像算数运算以及修改颜色空间」
「Python 图像处理 OpenCV (5):图像的几何变换」
「Python 图像处理 OpenCV (6):图像的阈值处理」
「Python 图像处理 OpenCV (7):图像平滑(滤波)处理」
「Python 图像处理 OpenCV (8):图像腐蚀与图像膨胀」
引言
前面介绍了图像形态学的两种基础算法,图像腐蚀和图像膨胀,本篇接着介绍图像形态学中的开运算、闭运算以及梯度运算。
由于内容的连贯性,请先阅读前文「Python 图像处理 OpenCV (8):图像腐蚀与图像膨胀」,了解清楚图像的腐蚀与膨胀基础原理。
不然真的没办法理解开运算和闭运算。
第一件事情还是给图像增加噪声,思路沿用之前加噪声的思路,使用 Numpy 给图片添加黑白两种噪声点,代码如下:
import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv.imread("demo.png", cv.IMREAD_UNCHANGED) source = cv.cvtColor(img, cv.COLOR_BGR2RGB) rows, cols, chn = source.shape # 加噪声-白点噪声 for i in range(500): x = np.random.randint(0, rows) y = np.random.randint(0, cols) source[x, y, :] = 255 # 图像保存 白点噪声图像 cv.imwrite("demo_noise_white.jpg", source) print("白点噪声添加完成") # 重新读取图像 img1 = cv.imread("demo.png", cv.IMREAD_UNCHANGED) source1 = cv.cvtColor(img1, cv.COLOR_BGR2RGB) # 加噪声-黑点噪声 for i in range(1000): x = np.random.randint(0, rows) y = np.random.randint(0, cols) source1[x, y, :] = 0 # 图像保存 黑点噪声图像 cv.imwrite("demo_noise_black.jpg", source1) print("黑点噪声添加完成") # 显示结果 titles = ['White Img','Black Img'] images = [source, source1] # matplotlib 绘图 for i in range(2): plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
形态学开运算
图像开运算实际上是一个组合运算,开运算是图像先进行腐蚀,再进行膨胀的运算。
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,使得刚才在腐蚀过程中被压缩的图像得以恢复原状。
下面是一个图像开运算的流程图:
开运算的一些特性:
- 开运算能够除去孤立的小点,毛刺和小桥,而总的位置和形状不便。
- 开运算是一个基于几何运算的滤波器。
- 结构元素大小的不同将导致滤波效果的不同。
- 不同的结构元素的选择导致了不同的分割,即提取出不同的特征。
我们先不管开运算 OpenCV 为我们提供的函数是什么,先使用前面介绍过的图像腐蚀与膨胀处理看下结果:
import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 读取图片 source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE) # 设置卷积核 kernel = np.ones((5, 5),np.uint8) # 图像腐蚀 erode_img = cv.erode(source, kernel) # 图像膨胀 dilate_result = cv.dilate(erode_img, kernel) # 显示结果 titles = ['Source Img','Erode Img','Dilate Img'] images = [source, erode_img, dilate_result] # matplotlib 绘图 for i in range(3): plt.subplot(1, 3, i+1), plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
可以看到降噪的效果还是不错的。
接着看 OpenCV 为开运算提供的函数。
图像开运算主要使用到的函数是
morphologyEx()它是形态学扩展的一组函数,而其中的
cv.MORPH_OPEN对应的是开运算。
使用时语法如下:
dst = cv.morphologyEx(src, cv.MORPH_OPEN, kernel)
- src: 原图形
- cv2.MORPH_OPEN: 表示开运算
- kernel: 卷积核
我们再使用
morphologyEx()函数去重新实现下刚才的图像开运算,看下和之前的结果有啥区别:
import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 读取图片 source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE) # 设置卷积核 kernel = np.ones((5, 5),np.uint8) #图像开运算 dst = cv.morphologyEx(source, cv.MORPH_OPEN, kernel) # 显示结果 titles = ['Source Img','Dst Img'] images = [source, dst] # matplotlib 绘图 for i in range(2): plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
至少从肉眼的角度上看不出来和之前的方式有啥区别,实际上也没啥区别。
形态学闭运算
与开运算相反的是闭运算,闭运算是图像先膨胀,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。
先看下图像闭运算的流程图:
闭运算的一些特性:
- 闭运算能够填平小湖(即小孔),弥合小裂缝,而总的位置和形状不变。
- 闭运算是通过填充图像的凹角来滤波图像的。
- 结构元素大小的不同将导致滤波效果的不同。
- 不同结构元素的选择导致了不同的分割。
首先还是用
dilate()和
erode()函数实现一下图像闭运算,代码如下:
import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 读取图片 source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE) # 设置卷积核 kernel = np.ones((5, 5),np.uint8) # 图像膨胀 dilate_result = cv.dilate(source, kernel) # 图像腐蚀 erode_img = cv.erode(dilate_result, kernel) # 显示结果 titles = ['Source Img','Dilate Img','Erode Img'] images = [source, dilate_result, erode_img] # matplotlib 绘图 for i in range(3): plt.subplot(1, 3, i+1), plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
如果想要使用形态学扩展的函数
morphologyEx()则需要把里面的参数换成
MORPH_CLOSE,同样,既然是形态学扩展函数,那么图像腐蚀和图像膨胀也有对应的参数:
- 图像腐蚀:
MORPH_ERODE
- 图像膨胀:
MORPH_DILATE
接着还是使用
MORPH_CLOSE参数来实现下图像的闭运算:
import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 读取图片 source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE) # 设置卷积核 kernel = np.ones((5, 5),np.uint8) # 图像闭运算 dst = cv.morphologyEx(source, cv.MORPH_CLOSE, kernel) # 显示结果 titles = ['Source Img','Dst Img'] images = [source, dst] # matplotlib 绘图 for i in range(2): plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
形态学梯度运算
图像形态学的梯度运算和前面的开运算闭运算是一样的,都是组合函数。
梯度运算实际上是图像膨胀减去图像腐蚀后的结果,最终我们得到的是一个类似于图像轮廓的图形。
梯度运算在
morphologyEx()函数中的参数是
MORPH_GRADIENT,示例代码如下:
import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 读取图片 source = cv.imread("demo.png", cv.IMREAD_GRAYSCALE) # 设置卷积核 kernel = np.ones((5, 5), np.uint8) # 图像梯度运算 dst = cv.morphologyEx(source, cv.MORPH_GRADIENT, kernel) # 显示结果 titles = ['Source Img','Dst Img'] images = [source, dst] # matplotlib 绘图 for i in range(2): plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
示例代码
如果有需要获取源码的同学可以在公众号回复「OpenCV」进行获取。
参考
http://www.woshicver.com/
https://blog.csdn.net/Eastmount/article/details/83651172
https://blog.csdn.net/hanshanbuleng/article/details/80657148
- 【OpenCV入门教程之十一】 形态学图像处理(二):开运算、闭运算、形态学梯度、顶帽、黑帽合辑
- 【OpenCV入门教程之十一】 形态学图像处理(二):开运算、闭运算、形态学梯度、顶帽、黑帽合辑
- 【OpenCV入门教程之十一】 形态学图像处理(二):开运算、闭运算、形态学梯度、顶帽、黑帽合辑
- 学习【OpenCV入门教程之十一】 形态学图像处理(二)开运算,闭运算,梯度运算,顶帽,黑帽---思维导图笔记
- Python3与OpenCV图像处理(四)——像素运算
- opencv之图像形态学处理:开运算、闭运算及形态学梯度
- 【OpenCV入门教程之十一】 形态学图像处理(二):开运算、闭运算、形态学梯度、顶帽、黑帽合辑
- Python-OpenCV 处理图像(二):滤镜和图像运算
- 【OpenCV入门教程之十一】 形态学图像处理(二):开运算、闭运算、形态学梯度、顶帽、黑帽合辑
- 【OpenCV3图像处理】形态学 --- 膨胀、腐蚀、开运算 闭运算、形态学梯度、顶帽运算、黑帽运算
- [Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算
- Python3与OpenCV3.3 图像处理(十七)--图像梯度
- Python OpenCV学习笔记之:图像梯度处理:Laplacian,Sobel算子
- Python 图像处理 OpenCV (10):图像处理形态学之顶帽运算与黑帽运算
- Python-OpenCV 处理图像(二)(三):滤镜和图像运算 图像像素点操作
- Python-OpenCV 处理图像(二):滤镜和图像运算
- 【OpenCV入门教程之十一】 形态学图像处理(二):开运算、闭运算、形态学梯度、顶帽、黑帽合辑
- OpenCV 形态学图像处理 开运算、闭运算、形态学梯度、顶帽、黑帽合辑(轨迹条控制)综合示例
- 【OpenCV入门教程之十一】 形态学图像处理(二):开运算、闭运算、形态学梯度、顶帽、黑帽合辑
- [转]【OpenCV入门教程之十一】 形态学图像处理(二):开运算、闭运算、形态学梯度、顶帽、黑帽合辑