3.5. 形态转换

3.5.1. 目标

在本章中,
-我们将学习不同的形态学操作,如侵蚀、扩张、打开、关闭等。-我们将看到不同的功能,如: cv2.腐蚀()cv2.扩张()形态学() 等。

3.5.2. 理论

形态变换是基于图像形状的一些简单操作。它通常在二进制图像上执行。它需要两个输入,一个是我们的原始图像,第二个是 结构元素内核 这决定了行动的性质。两个基本的形态学操作是侵蚀和扩张。然后它的各种形式,如开、关、梯度等也开始发挥作用。借助以下图片,我们将逐一看到它们:

1. 腐蚀

侵蚀的基本概念就像土壤侵蚀一样,它侵蚀了前景对象的边界(总是尽量保持前景为白色)。那它有什么作用呢?内核在图像中滑动(如二维卷积)。只有当内核下的所有像素都为1时,原始图像中的像素(1或0)才被视为1,否则它将被侵蚀(变为零)。

所以结果是,边界附近的所有像素都将被丢弃,这取决于内核的大小。因此,前景对象的厚度或大小减小,或者只是图像中的白色区域减小。它对于去除小的白噪声(如我们在色彩空间一章中看到的)、分离两个连接的对象等很有用。

在这里,作为一个例子,我将使用一个5x5内核和一个完整的内核。让我们看看它是如何工作的:

>>> import cv2
>>> import numpy as np
>>>
>>> img = cv2.imread('/cvdata/j.png',0)
>>> kernel = np.ones((5,5),np.uint8)
>>> erosion = cv2.erode(img,kernel,iterations = 1)
>>> %matplotlib inline
>>> import  matplotlib.pyplot as plt
>>> plt.imshow(erosion)
<matplotlib.image.AxesImage at 0x7fae4c5a1ef0>
../_images/sec05-morphological-ops_2_1.png

结果:

2. 膨胀

这与侵蚀正好相反。这里,如果内核下至少有一个像素是“1”,那么像素元素就是“1”。所以它增加了图像中的白色区域或者增加了前景对象的大小。通常情况下,在噪声消除的情况下,腐蚀后会扩张。因为,侵蚀去除了白噪音,但也缩小了我们的目标。所以我们把它放大。既然噪音消失了,它们就不会再回来了,但是我们的目标区域增加了。它在连接对象的断开部分时也很有用。

>>> dilation = cv2.dilate(img,kernel,iterations = 1)

结果:

3. 开运算

开运算只是 侵蚀后膨胀 . 如前所述,它在去除噪音方面很有用。在这里我们使用函数, 形态学()

>>> opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

结果:

4. 闭运算

关闭与打开相反, 膨胀然后侵蚀 . 它在关闭前景对象内的小孔或对象上的小黑点时非常有用。

>>> closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

结果:

5. 形态梯度

它是图像膨胀和侵蚀的区别。

结果将看起来像对象的轮廓。

>>> gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

结果:

6. 礼帽

它是输入图像和打开图像之间的区别。下面的例子是针对9x9内核的。

>>> tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

结果:

7. 黑帽子

这是输入图像和输入图像的闭合之间的区别。

>>> blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

结果:

3.5.3. 结构元素

在前面的例子中,我们在Numpy的帮助下手动创建了一个结构化元素。它是长方形的。但在某些情况下,可能需要椭圆形/圆形内核。因此,OpenCV有一个函数, cv2.getStructuringElement() . 只要传递内核的形状和大小,就可以得到所需的内核。

>>> # Rectangular Kernel
>>> cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=uint8)
>>> cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)
>>> cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)

3.5.4. 额外资源

  1. Morphological Operations 在HIPR2

3.5.5. 练习