1 圖像形態(tài)學運算

在Python OpenCV圖像處理之圖像濾波特效詳解中我們將圖像濾波進行了以下分類：

鄰域濾波

• 線性濾波
• 非線性濾波

頻域濾波

• 低通濾波
• 高通濾波

在非線性濾波中，之前只介紹了中值濾波，事實上，還有一類非常常用的非線性濾波方法，稱為圖像形態(tài)學運算(Morphological operations)。

圖像形態(tài)學運算是一類基于圖像形狀運算的非線性濾波技術(shù)，其基本思想是利用一些特殊的結(jié)構(gòu)元來測量或提取圖像中相應的形狀和特征，以便進一步進行圖像分析和處理。這里結(jié)構(gòu)元素就相當于我們在濾波中所涉及到的模板——一個給定像素的矩陣，這個矩陣形狀可以任意，但一般是正方形。

接下來，我們分析一下幾種經(jīng)典的圖像形態(tài)學運算算法，再編程測試一下~

2 腐蝕

腐蝕就是用局部灰度最小值代替目標像素值實現(xiàn)對高亮區(qū)域的腐蝕。

舉個例子，有這樣一張圖像和這樣一個結(jié)構(gòu)元素，其中結(jié)構(gòu)元素的藍色方塊表示的是模板原點。

下面我們開始遍歷這張圖像，到下圖這個位置的時候，模板內(nèi)灰度最小值是灰色方格的像素，因此替換掉模板原點中藍色方格處的像素為灰色(原本為白色，被腐蝕了)

就這樣遍歷完這張圖像得到

3 膨脹

膨脹就是用局部灰度最大值代替目標像素值實現(xiàn)對高亮區(qū)域的膨脹。

和腐蝕類似，遍歷這張圖像，到下圖這個位置的時候，模板內(nèi)灰度最大值是白色方格的像素，因此替換掉模板原點中藍色方格處的像素為白色(原本為灰色，膨脹了)

就這樣遍歷完這張圖像得到膨脹的最終結(jié)果為

上個實物圖感受下腐蝕和膨脹的效果

4 開運算與閉運算

理解了圖像腐蝕與膨脹，那么開閉運算就很容易了

• 開運算(Opening)：先腐蝕再膨脹
• 閉運算(Closing)：先膨脹再腐蝕

開運算能夠除有效去除孤立點、毛刺和小橋；閉運算能夠填平小孔，彌合縫隙。

上圖假設(shè)灰色區(qū)域為高亮。

5 頂帽運算與底帽運算

頂帽運算與底帽運算是用于表征開閉運算與原圖像間差異的運算，類似邊緣檢測的梯度差

• 圖像頂帽運算：表征原圖像與開運算得到的圖像之間的區(qū)別
• 圖像底帽運算：表征原圖像與閉運算得到的圖像之間的區(qū)別

6 惡魔與天使

先看看原圖，一對可愛的貓咪

進行腐蝕操作，首先創(chuàng)建結(jié)構(gòu)元

int eSize = 3;  //結(jié)構(gòu)元尺寸
int s = eSize * 2 + 1;
Mat structureElement = getStructuringElement(MORPH_RECT, Size(s, s), Point(-1, -1)); 

接著用結(jié)構(gòu)元遍歷原圖，OpenCV有封裝好的API，直接調(diào)用即可

erode(src, dst, structureElement);
imshow("腐蝕操作后：", dst);

得到腐蝕后的圖像如下所示，眼睛空洞洞的，有點恐怖片內(nèi)味了，這還是原來那兩只貓嗎？

膨脹操作類似于腐蝕，也有OpenCV封裝好的API

dilate(srcImg, dstImg, structureElement, Point(-1, -1), 1);
imshow("膨脹操作后：", dstImg);

膨脹出來的小貓就顯得輕松很多，感覺升華了。

今后要是想有一張照片創(chuàng)造光與影、正與邪、天使與惡魔兩種反差，可以考慮采用圖像腐蝕和膨脹操作。

到此這篇關(guān)于Python實例解析圖像形態(tài)學運算技術(shù)的文章就介紹到這了,更多相關(guān)Python 圖像形態(tài)學運算內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！