Python常用圖像形態學操作實例分析

今天小編給大家分享一下Python常用圖像形態學操作實例分析的相關知識點，內容詳細，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

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，并且需要指定數據類型為無符號8位整數。然后使用erode()函數，其接收的參數分別為圖像矩陣，kernel矩陣，以及迭代次數。迭代次數就是腐蝕操作的次數。下面我們用一個圓來查看一下不同迭代次數的腐蝕效果：

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
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()

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都是morphologyEx()，只需要調整參數即可完成兩種不同的操作。

開運算

執行開運算的函數是：

cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

kernel依然是n×n的矩陣，cv2.MORPH_OPEN指定了執行運算為開運算：

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()函數的第二個參數改為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現，梯度就是原圖的邊緣部分。獲取梯度依然要用到morphologyEx()函數，將第二個參數改為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，通過修改第二個參數完成。

禮帽

禮帽操作需要用到的參數是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是cv2.MORPH_BLACKHAT，黑帽運算會輸出執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()

以上就是“Python常用圖像形態學操作實例分析”這篇文章的所有內容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會為大家更新不同的知識，如果還想學習更多的知識，請關注億速云行業資訊頻道。