Python常用圖像形態(tài)學操作詳解
腐蝕
在一些圖像中，會有一些異常的部分，比如這樣的毛刺：
對于這樣的情況，我們就可以應用復式操作了。需要注意的是，腐蝕操作只能處理二值圖像，即像素矩陣的值只有0（黑色）和255（白色）。我們先看看代碼和效果：
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
# 腐蝕的代碼
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
這張圖片已經(jīng)幾乎看不到毛刺了，但與此同時，三個文字也小了一點，這就是腐蝕操作。所謂腐蝕操作，就是我們設置一個n×n的矩陣，這個矩陣可以視為一個卷積核，在原圖上進移動。矩陣覆蓋住的像素點中，如果有0（黑色），那么該卷積核的中心位置置零，反之，如果該卷積核內全都是255，則不做操作：
注意：我們可以理解成腐蝕操作是完全根據(jù)原圖生成的新圖，而不是在原土上的修改。
接下來我們再看看腐蝕的代碼：
kernel = np.ones((3,3),np.uint8) erosion = cv2.erode(img,kernel,iterations = 1)
首先，我們要利用numpy庫生成一個n×n大小的全1矩陣kernel作為卷積核，并且需要指定數(shù)據(jù)類型為無符號8位整數(shù)。然后使用erode()函數(shù)，其接收的參數(shù)分別為圖像矩陣，kernel矩陣，以及迭代次數(shù)。迭代次數(shù)就是腐蝕操作的次數(shù)。下面我們用一個圓來查看一下不同迭代次數(shù)的腐蝕效果：
import cv2
import numpy as np
kernel = np.ones((30,30),np.uint8)
pie = cv2.imread('pie.png')
# 觀察不同的迭代次數(shù)
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()
膨脹
腐蝕操作可以腐蝕掉二值圖像的邊緣，因此可以消除掉一些圖片上的毛刺，但是損失一些原圖相中有效的部分也是在所難免的。膨脹其實就是腐蝕操作的反面。“卷積核”包裹住的像素中有255，則這個卷積核中心位置會置為255，否則不變。因此，膨脹操作會把原本的圖像范圍進行擴大：
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 膨脹操作
dige_dilate = cv2.dilate(img,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
可以看到，膨脹操作后，圖像的范圍變大了一圈，就連毛刺也都擴大了。膨脹操作通常會配合腐蝕操作一起使用的，先腐蝕在膨脹，可以在保持圖片中有效內容大小大體不變的情況下去除掉毛刺：
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 腐蝕
erosion = cv2.erode(img,kernel,iterations = 1) # 對原圖像進行腐蝕
# 膨脹
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1) # 對腐蝕后圖像進行膨脹
cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
其原理和參數(shù)意義與腐蝕操作類似，在此不做過多講解。
開運算與閉運算
開運算與閉運算都是應用腐蝕與膨脹操作來處理原圖像的。區(qū)別在于開運算是先腐蝕在膨脹，閉運算是先膨脹再腐蝕。這兩個操作需要用到的函數(shù)都是morphologyEx()，只需要調整參數(shù)即可完成兩種不同的操作。
開運算
執(zhí)行開運算的函數(shù)是：
cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
kernel依然是n×n的矩陣，cv2.MORPH_OPEN指定了執(zhí)行運算為開運算：
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()
結果為：
閉運算
和開運算基本相同，只需要把morphologyEx()函數(shù)的第二個參數(shù)改為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()
很明顯，先膨脹再腐蝕和原圖并沒有什么區(qū)別，僅僅是比原圖大了一圈，因此閉運算也沒有開運算應用廣泛。
梯度運算
梯度運算本質是膨脹-腐蝕。從這個定義中不難發(fā)現(xiàn)，梯度就是原圖的邊緣部分。獲取梯度依然要用到morphologyEx()函數(shù)，將第二個參數(shù)改為cv2.MORPH_GRADIENT即可：
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 先用開運算把毛刺去掉：
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()
得到的結果就是下面這樣：
禮帽與黑帽
禮帽和黑帽都是翻譯的結果，因此我們不能望文生義。禮貌操作就是原始圖像-開運算結果，黑帽操作是閉運算-原始輸入。依然是用morphologyEx()函數(shù)，通過修改第二個參數(shù)完成。
禮帽
禮帽操作需要用到的參數(shù)是cv2.MORPH_TOPHAT。由禮帽操作的定義可以直到，禮帽操作可以得到圖片中的“毛刺”部分：
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 禮帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
得到的結果為：
黑帽
黑帽操作需要用到的參數(shù)是cv2.MORPH_BLACKHAT，黑帽運算會輸出執(zhí)行閉運算后的圖像比原圖大出的一小圈輪廓：
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((5,5),np.uint8) # kernel矩陣維度大一些會讓黑帽操作的結果更明顯
# 黑帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
到此這篇關于Python常用圖像形態(tài)學操作詳解的文章就介紹到這了,更多相關Python圖像形態(tài)學內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
Django實現(xiàn)web端tailf日志文件功能及實例詳解
這篇文章主要介紹了Django實現(xiàn)web端tailf日志文件功能，本文通過實例給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下2019-07-07
pycharm下打開、執(zhí)行并調試scrapy爬蟲程序的方法
本篇文章主要介紹了pycharm下打開、執(zhí)行并調試scrapy爬蟲程序的方法，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-11-11
啄木鳥社區(qū)上原始翻譯后繪制的，最早這個圖是出現(xiàn)在，這個圖太棒了，有編程基礎的人一下子就了解 Python 的用法了。真正的 30 分鐘上手,需要的朋友可以參考下2017-02-02
二叉堆是一種特殊的堆，二叉堆是完全二元樹（二叉樹）或者是近似完全二元樹（二叉樹）。二叉堆有兩種：最大堆和最小堆。最大堆：父結點的鍵值總是大于或等于任何一個子節(jié)點的鍵值；最小堆：父結點的鍵值總是小于或等于任何一個子節(jié)點的鍵值。2016-02-02
這篇文章主要介紹了Python?對象拷貝及深淺拷貝區(qū)別的詳細教程示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-03-03
這篇文章主要為大家詳細介紹了Python實現(xiàn)雙人模式的貪吃蛇小游戲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-09-09
這篇文章主要介紹了python?使用OpenCV進行曝光融合，使用OpenCV的Exposure?Fusion，曝光融合是一種將使用不同曝光設置拍攝的圖像合成為一張看起來像色調映射的高動態(tài)范圍（HDR）圖像的圖像的方，下文更多詳細內容介紹，需要的小伙伴可以參考一下2022-04-04
本文主要介紹了Python讀取和存儲yaml文件的方法，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-10-10
什么是好用的代碼呢？其實就是代碼質量比較高，如何評價代碼質量的高低呢？最常用的、最重要的評價標準，就是代碼的可維護性、可讀性、可擴展性、靈活性、簡潔性、可復用性、可測試性2021-09-09
這篇文章主要介紹了python hash每次調用結果不同的原因,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-11-11