六、形态学转换

素颜马尾好姑娘i 2023-06-13 15:27 20阅读 0赞

**目录**

1、图像腐蚀

2、图像膨胀

3、开运算、闭运算、梯度运算、礼帽运算、黑帽运算

（1）开运算

（2）闭运算

（3）梯度运算

（4）礼帽运算

（5）黑帽运算

4、结构化元素

--------------------

形态变换是基于图像形状的一些简单操作。**它通常在二值化图像上执行**。它需要**两个输入，一个是我们的原始图像，第二个是称为结构元素或内核，**它决定了操作的本质。两个基本的形态学运算符是侵蚀和膨胀。然后它的变体形式如Opening，Closing，Gradient等也发挥作用。我们将在以下图片的帮助下逐一看到它们：

# 1、图像腐蚀 #

腐蚀操作会**把前景物体的边缘腐蚀掉**。原理是**卷积核沿着图像滑动，如果卷积核对应区域的图像像素值都是1，则卷积核中心对应的像素值保持不变，反之则全变成0，所以在图像边缘区域，部分为0，部分为1的区域都会变成0，再往里面则会保持不变。**

效果，靠近**前景的像素被腐蚀为0，前景物体变小，图像白色区域减少，对于去除白噪声很有用**，可以断开两个连接在一起的物体。  
（图像当中的白噪声大概意思就是随机噪声）

erode dst = cv2.erode(src, kernel, iterations)
        参数
            src : 源图像
            kernel : 卷积核 kernel = np.ones((5, 5), np.uint8)
            iterations : 迭代次数
        返回值
            dst ： 处理结果

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #直接阈值化是对输入的单通道矩阵逐像素进行阈值分割。
    ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    kernal = np.ones((5,5),np.uint8)
    erosion = cv2.erode(binary,kernal,iterations=1)
    
    show_img(img=erosion)

# 2、图像膨胀 #

膨胀可以理解为腐蚀的反操作，膨胀的原理是：**同样的卷积核沿着图像滑动，只要卷积核对应的图像像素值有一个是1，则这块区域全部变成1.**

因此它增加了图像中的白色区域或前景对象的大小增加。通常，**在去除噪音的情况下，腐蚀之后再膨胀。因为，腐蚀会消除白噪声，但它也会缩小我们的物体，所以我们需要再扩大它。由于噪音消失了，它们不会再回来，但我们的物体区域会增加**。它也可用于连接对象的破碎部分。

dilate dst = cv2.dilate(src, kernel, iterations)
        参数
            src : 源图像
            kernel : 卷积核
            iterations : 迭代次数
        返回值
            dst ： 处理结果

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #直接阈值化是对输入的单通道矩阵逐像素进行阈值分割。
    ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    kernal = np.ones((5,5),np.uint8)
    dilation  = cv2.dilate(binary,kernal,iterations=1)
    
    show_img(img=dilation)

# 3、开运算、闭运算、梯度运算、礼帽运算、黑帽运算 #

morphologyEx result = cv2.morphologyEx(img, type, kernel)
      参数
        img : 源图像
        type : 图像形态学方法
            1、开运算 cv2.MORPH_OPEN :
                开运算（image） = 膨胀（腐蚀（image））
                    图像被腐蚀后，去除了噪声，但是会压缩图像。
                    对腐蚀过的图像，进行膨胀操作，可以去除噪声，并保持原有形状
            2、闭运算 cv2.MORPH_CLOSE
                闭运算（image） = 腐蚀(膨胀（image）)
                    先膨胀，后腐蚀
                    它有助于关闭前景物体内的小孔，或物体上的小黑点
            3、梯度运算 cv2.MORPH_GRADIENT
                梯度（image） = 膨胀（image） - 腐蚀（image）
                    膨胀图像，腐蚀图像，得到轮廓图像
            4、礼帽运算 cv2.MORPH_TOPHAT
                礼帽（image） = image - 开运算(image)
                    得到噪声图像
            5、黑帽运算 cv2.MORPH_BLACKHAT
                黑帽（image） = 闭运算（image） - image
                    得到图像内部的小孔，或者景色中的小黑点
        kernel ： 卷积核
    返回值
        result ： morphologyEx函数运算结果

## （1）开运算 ##

就是**先腐蚀再膨胀，一般用来去除噪声**

注意的是：

（1）如果先进行腐蚀去除了噪点，但原图形的形状也被破坏，此时再使用膨胀就可以恢复回去，这是开运算存在的意义

（2）直接使用cv2.morphologyEx和先使用cv2.erode再使用cv2.dilate函数的效果一样

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #直接阈值化是对输入的单通道矩阵逐像素进行阈值分割。
    ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    kernal = np.ones((5,5),np.uint8)
    opening = cv2.morphologyEx(binary,cv2.MORPH_OPEN,kernal)
    
    show_img(img=opening)

## （2）闭运算 ##

闭运算就是开运算的逆过程，先进行膨胀，在腐蚀，原理和开运算一样，可以用于**去除二值化图像的背景色噪点**。

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #直接阈值化是对输入的单通道矩阵逐像素进行阈值分割。
    ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    kernal = np.ones((5,5),np.uint8)
    closing = cv2.morphologyEx(binary,cv2.MORPH_CLOSE,kernal)
    
    show_img(img=closing)

## （3）梯度运算 ##

就是图像的**膨胀和腐蚀之后两张图形的差，其结果就像原图形的轮廓**

其效果等同于**膨胀减去腐蚀**。

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #直接阈值化是对输入的单通道矩阵逐像素进行阈值分割。
    ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    kernal = np.ones((5,5),np.uint8)
    gradient  = cv2.morphologyEx(binary,cv2.MORPH_GRADIENT,kernal)
    
    show_img(img=gradient)

## （4）礼帽运算 ##

它是输入**图像和图像开运算之间的区别。****礼帽（image） = image - 开运算(image)**，得到**前景图（白色区域）外面的毛刺噪声（得到噪声）。**

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #直接阈值化是对输入的单通道矩阵逐像素进行阈值分割。
    ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    kernal = np.ones((5,5),np.uint8)
    tophat   = cv2.morphologyEx(binary,cv2.MORPH_TOPHAT,kernal)
    
    show_img(img=tophat)

## （5）黑帽运算 ##

它是闭运算与输入图像的差异。**黑帽（image） = 闭运算（image） - image**，得到**前景图像（白色区域）内部的小孔等噪声。**

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #直接阈值化是对输入的单通道矩阵逐像素进行阈值分割。
    ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    kernal = np.ones((5,5),np.uint8)
    blackhat = cv2.morphologyEx(binary,cv2.MORPH_BLACKHAT,kernal)
    
    show_img(img=blackhat)

# 4、结构化元素 #

我们在Numpy的帮助下手动创建了前面示例中的结构元素。它是矩形。但**在某些情况下，您可能需要椭圆/圆形内核**。因此，为此，OpenCV有一个函数cv2.getStructuringElement（）。您**只需传递内核的形状和大小，即可获得所需的内核。**

# Rectangular Kernel
    >>> cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
    array([[1, 1, 1, 1, 1],
           [1, 1, 1, 1, 1],
           [1, 1, 1, 1, 1],
           [1, 1, 1, 1, 1],
           [1, 1, 1, 1, 1]], dtype=uint8)
    
    # Elliptical Kernel
    >>> cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
    array([[0, 0, 1, 0, 0],
           [1, 1, 1, 1, 1],
           [1, 1, 1, 1, 1],
           [1, 1, 1, 1, 1],
           [0, 0, 1, 0, 0]], dtype=uint8)
    
    # Cross-shaped Kernel
    >>> cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
    array([[0, 0, 1, 0, 0],
           [0, 0, 1, 0, 0],
           [1, 1, 1, 1, 1],
           [0, 0, 1, 0, 0],
           [0, 0, 1, 0, 0]], dtype=uint8)

示例

# kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))  # 椭圆的核
    
    kernel = np.ones((3,3),np.uint8)    # 去除白色噪点,形态学开运算,3x3线性核
    
    opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations = 2)
    
    cv2.imshow("opening",opening)
    
    edges = cv2.Canny(opening,50,200)
    
    cv2.imshow("edges",edges)

**得到的图像如下：**

左边为结构化元素椭圆核,右边的为线性核,可以看到左边的明显比右边损失少一点,对特定的图像处理有好处,因此都建议使用结构化元素来构建形态学变换的参数。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191118010932671.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ=,size_16,color_FFFFFF,t_70