Opencv 图像形态学操作

3.1 形态学-腐蚀操作

img = cv2.imread('CSDN.png')
cv2.imshow('CSDN', img)
cv2.waitKey(0)
cv2.destroyAllWindows

在这里插入图片描述

如果腐蚀核的覆盖区域内的所有像素值都满足条件（阈值），则中心像素的值保持不变；如果有任何像素值不满足条件，则中心像素的值被设置为0（黑色）。

kernal = np.ones((3, 3), np.unit8)
# 传入3×3的腐蚀核，iterration表示腐蚀的操作次数
erosion = cv2.erode(img, kernal, iteration = 2)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

多余的细线条没有了。

pie = cv2.imread('pie.png')
cv2.imshow('pie', pie)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

接下来看随着迭代次数变多图像有什么变化

kernel = np.ones((30, 30), np.unit8)
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()

在这里插入图片描述

图像越来越瘦

3.2 形态学-膨胀操作

kernal = np.ones((3, 3), np.unit8)
dilation = cv2.dilate(erosion, kernal, iternations = 2)cv2.imshow('dilation', dilation)
cv2.waitKey(0)
cv2.destroyAllWindows

在这里插入图片描述

可以看出腐蚀后的线条变细之后，膨胀操作又将线条变粗了

所以我们可以将图像中的噪声点和比结构元素小而且多余需要去除的部分先用腐蚀操作去除，然后再将我们需要的部分用膨胀操作变大。

pie = cv2.imread('pie.png')kernel = np.ones((30, 30), np.unit8)
dilate_1 = cv2.dilate(pie, kernel, iterations = 1)
dilate_2 = cv2.dilate(pie, kernel, iterations = 2)
dilate_3 = cv2.dilate(pie, kernel, iterations = 3)
res = np.hstack((dilate_1, dilate_2, dilate_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

可以看出随膨胀次数操作变多，这个圆越来越肿。

3.3 开运算与闭运算

开运算：先腐蚀，再膨胀

用于去除小亮物体

img = cv2.imread('CSDN.png')
kernel = np.ones((5, 5), np.unit8)
opening = cv2.morphologyEX(img, cv2.MORPH_OPEN, kernel)cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

闭运算：先膨胀，再腐蚀

用于去除小暗物体

img = cv2.imread('CSDN2.png')
cv2.imshow('CSDN2', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

img = cv2.imread('CSDN2.png')kernel = np.ones((5, 5), np.unit8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

3.4 梯度运算

梯度运算的结果等同于膨胀操作和腐蚀操作结果的差值，这个操作可以用来检测图像中的物体边缘。

gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernal)cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

3.5 礼帽与黑帽

礼帽 = 原始输入 - 开运算结果

img = cv2.imread('CSDN.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

礼帽操作的效果是突出显示那些比结构元素小的物体

开运算之后，原本比结构元素小的物体处理掉，而比结构元素大的物体则几乎保持不变.

用原始输入减去开运算结果后，剩下的是比结构元素小的物体。

黑帽 = 闭运算 - 原始输入

img = cv2.imread('CSDN2.png')
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat', blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

img = cv2.imread('CSDN.png')
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat', blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()