opencv python(三) ----- 形态学转换

谁践踏了优雅 2022-11-21 17:30 186阅读 0赞

### opencv python 三 ------ 形态学转换 ###

*  准备工作
 *  腐蚀
 *  膨胀
 *  开运算
 *  闭运算
 *  形态学梯度
 *  礼帽
 *  黑帽

# 准备工作 #

自己使用画图画一个黑白的图片，然后在图像中加入一些椒盐噪点。加入椒盐噪点程序如下：

def salt(img, n):
    	for k in range(n):
    		i = int(np.random.random() * img.shape[1])
    		j = int(np.random.random() * img.shape[0])
    		if img.ndim == 2: 
    			img[j,i] = 255
    		elif img.ndim == 3: 
    			img[j,i,0]= 255
    			img[j,i,1]= 255
    			img[j,i,2]= 255
    	return img

效果如下:  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center]

# 腐蚀 #

这个操作会把前景物体的边界腐蚀掉(但是前景仍然是白色)。根据卷积核的大小靠近前景的所有像素都会被腐蚀掉(变为 0)，所以前景物体会变小，整幅图像的白色区域会减少。这对于去除白噪声很有用，也可以用来断开两个连在一块的物体等。  
首先来看用getStructuringElement函数定义一个结构元素:

kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))

再使用腐蚀可以将椒盐噪点滤除，但是原图中的3会变瘦，使用函数：

eroded = cv2.erode(saltImage,kernel,iterations=1)

再将腐蚀后的图像显示出来：

cv2.imshow('eroded',eroded)

效果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 1]

# 膨胀 #

==这个操作会增加图像中的白色区域（前景）。==一般在去噪声时先用腐蚀再用膨胀。因为腐蚀在去掉白噪声的同时，也会使前景对象变小。所以我们再对他进行膨胀。这时噪声已经被去除了，不会再回来了。  
使用函数：

dilated = cv2.dilate(eroded,kernel)

显示效果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 2]

# 开运算 #

先进行腐蚀再进行膨胀就叫做开运算。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 3]

# 闭运算 #

先进行膨胀再进行腐蚀。它经常被用来填充前景物体中的小洞，或者前景物体上的小黑点。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 4]  
代码如下：

img = cv2.imread('4.png')
        #saltImage = salt(img, 3500)
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5))
        #膨胀图像
        dilated = cv2.dilate(img,kernel)
        #腐蚀图像
        eroded = cv2.erode(dilated,kernel,iterations=1)
        
        cv2.imshow('img',img)
        cv2.imshow('eroded',eroded)
        cv2.imshow('dilated',dilated)
    
        cv2.waitKey(0)

# 形态学梯度 #

图像膨胀与腐蚀的差，结果看上去就像前景物体的轮廓。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 5]  
代码如下：

img = cv2.imread('3.png')
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5))
        #膨胀图像
        dilated = cv2.dilate(img,kernel)
        #腐蚀图像
        eroded = cv2.erode(dilated,kernel,iterations=1)
        gradient  = dilated - eroded
        cv2.imshow('ti',gradient)
        cv2.imshow('img',img)
        cv2.imshow('eroded',eroded)
        cv2.imshow('dilated',dilated)
    
        cv2.waitKey(0)

# 礼帽 #

礼帽 = 原图像-开运算图像，得到的是噪声图像。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 6]  
代码如下：

import cv2
    import numpy as np
    def make_salt(img, n):
    	for k in range(n):
    		i = int(np.random.random() * img.shape[1])
    		j = int(np.random.random() * img.shape[0])
    		if img.ndim == 2: 
    			img[j,i] = 255
    		elif img.ndim == 3: 
    			img[j,i,0]= 255
    			img[j,i,1]= 255
    			img[j,i,2]= 255
    	return img
    	
    if __name__ == '__main__':
     	img = cv2.imread('3.png')
        saltImage = salt(img, 3500)
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5))
        #腐蚀图像
        eroded = cv2.erode(saltImage,kernel,iterations=1)
        #膨胀图像
        dilated = cv2.dilate(eroded,kernel)
        tophat   = saltImage - dilated
        
        cv2.imshow('tophat ',tophat )
        cv2.imshow('img',img)
        cv2.imshow('eroded',eroded)
        cv2.imshow('dilated',dilated)
    
        cv2.waitKey(0)

# 黑帽 #

黑帽 = 闭运算图片 - 原始图片，得到图像内部的小孔，或者背景色中的小黑点。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 7]  
代码如下：

img = cv2.imread('4.png')
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5))
        #膨胀图像
        dilated = cv2.dilate(img,kernel)
        #腐蚀图像
        eroded = cv2.erode(dilated,kernel,iterations=1)
        blackhat    = eroded - img
        cv2.imshow('blackhat ',blackhat  )
        cv2.imshow('img',img)
        cv2.imshow('eroded',eroded)
        cv2.imshow('dilated',dilated)
        cv2.waitKey(0)

[形态学算法原理链接][Link 1]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/7ab953d7352e484a8ed9756cf8d09ef7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/c2d2bc080ecd4a23ac750b8385d3e0e3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221120/2fd0d90028e24451a5945138c2769636.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221120/c9010c4b9ec740c08ad47c7752e29f35.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221120/b50b6c3099ec44cfa5605da6a783f855.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221120/9d6bd39afe7448d6a7a45a875f242a13.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221120/50684b1871ec4f5797f58763f7b4f277.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMDQ2NzYz_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221120/c329b34566ae4095983f8e29482ef54e.png
[Link 1]: https://blog.csdn.net/Galen_xia/article/details/103461651