OpenCV-膨胀、腐蚀与形态学操作_cv2腐蚀膨胀

膨胀与腐蚀

膨胀

与卷积核对应的原图像的像素值中只要有一个是1，中心元素的像素值就是1。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，但是前景还在并会增加。

作用：

1. 对象的大小增加一个像素（3×3）
2. 平滑对象边缘
3. 减少或填充对象之间的边缘

cv2.dilate

使用特定的结构元素膨胀图像

dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst
1

• src：表示输入的图片
• kernel：表示膨胀所用的结构元素的大小
• iteration：表示迭代的次数

示例

对图像二值化并膨胀

def dilate(image):
    """膨胀"""
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)  # 二值化图像
    cv.imshow("binary", binary)

    # 构造5×5的结构元素，可选十字形、菱形、方形和X型等
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.dilate(binary, kernel=kernel)  # 膨胀
    cv.imshow("dilate", dst)
1
2
3
4
5
6
7
8
9
10

结果

注意： 二值化图像的膨胀和腐蚀要注意是白色还是黑色作为前景

示例

对彩图进行膨胀

def dilate_color(image):
    """彩图膨胀"""
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.dilate(image, kernel=kernel)  # 膨胀
    cv.imshow("dilate", dst)
1
2
3
4
5

结果：

腐蚀

卷积核沿着图像滑动，如果与卷积核对应的原图像的所有像素值都是1，那么中心元素就保持原来的像素值，否则就变为零。 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。

作用：

1. 对象的大小减少一个像素（3×3）
2. 平滑对象边缘
3. 弱化或者分割对象之间的半岛型连接

cv2.erode

使用特定的结构元素腐蚀图像

erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst
1

• src：表示输入的图片
• kernel：表示腐蚀所用的结构元素的大小
• iteration：表示迭代的次数

示例

对图像二值化并腐蚀

def erode(image):
    """腐蚀"""
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)  # 二值化图像
    cv.imshow("binary", binary)

    # 构造5×5的结构元素，可选十字形、菱形、方形和X型等
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.erode(binary, kernel=kernel)  # 腐蚀
    cv.imshow("erode", dst)
1
2
3
4
5
6
7
8
9
10

结果

示例

对彩图进行腐蚀

def erode_color(image):
    """彩图腐蚀"""
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.erode(image, kernel=kernel)  # 腐蚀
    cv.imshow("erode", dst)
1
2
3
4
5

结果

参考链接：

• OpenCV-Python教程（4、形态学处理）
• opencv-python中的腐蚀与膨胀函数

形态学操作

cv2.morphologyEx

执行形态学操作

• 开运算：先进行腐蚀再进行膨胀就叫做开运算,它被用来去除噪声。
• 闭运算：先膨胀再腐蚀。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。
• 顶帽：原图像与开操作之间的差值图像
• 黑帽：闭操作与原图像之间的差值图像
• 形态学梯度：其实就是一幅图像膨胀与腐蚀的差别。 结果看上去就像前景物体的轮廓
• 基本梯度：膨胀后图像减去腐蚀后图像得到的差值图像。
• 内部梯度：用原图减去腐蚀图像得到的差值图像。
• 外部梯度：膨胀后图像减去原图像得到的差值图像

morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst
1

• src：输入图像
• op：操作类型
  • MORTH_OPEN：函数做开运算
  • MORTH_CLOSE：函数做闭运算
  • MORTH_GRADIENT：函数做形态学梯度运算
  • MORTH_TOPHAT：函数做顶帽运算
  • MORTH_BLACKHAT：函数做黑帽运算
  • MORTH_DILATE ：函数做膨胀运算
  • MORTH_ERODE：函数做腐蚀运算
• kernel ：内核类型，用getStructuringElement函数得到。
  • 例如：采用开操作，kernel为(1, 15),提取垂直线，kernel为(15, 1),提取水平线

开操作

先进行腐蚀再进行膨胀就叫做开运算,它被用来去除噪声。

示例

开操作

def open_image(image):
	"""开操作"""
    # print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)  # 二值化图像
    cv.imshow("binary", binary)

    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel=kernel)  # 执行形态学操作（此时为开操作）
    cv.imshow("open_image", dst)
1
2
3
4
5
6
7
8
9
10

结果

闭操作

先膨胀再腐蚀。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。

示例

闭操作

def close_image(image):
	"""闭操作"""
    # print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)  # 二值化图像
    cv.imshow("binary", binary)

    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel=kernel)  # 执行形态学操作（此时为闭操作）
    cv.imshow("close_image", dst)
1
2
3
4
5
6
7
8
9
10

结果：

顶帽

原图像与开操作之间的差值图像
$$dst=tophat(src,rlrment)=src-open(src,rlrment)$$

因为开运算带来的结果是放大了裂缝或者局部低亮度的区域，因此，从原图中减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域，且这一操作和选择的核的大小相关。

顶帽运算往往用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。

示例

def tophat_image(image):
    """顶帽操作"""
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel=kernel)  # 执行形态学操作（此时为顶帽操作）
    cv.imshow("tophat_image", dst)
1
2
3
4
5
6

结果：

示例

直接二值化图像

发现右下角细节缺失

发现原图右下角的字体与背景的亮度都有些高，所以会出现这种情况，现在想让字体与背景分离出来，我们可以用顶帽操作对前景进行明亮化。

因此先进行顶帽再二值化

def comprehensive_example(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    cv.imshow("gray", gray)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (30, 30))  # 构造30×30的方形结构元素
    dst = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel=kernel)  # 执行形态学操作（此时为顶帽操作）
    cv.imshow("tophat_image", dst)
    ret, binary = cv.threshold(dst, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)  # 二值化图像
    cv.imshow("binary", binary)
1
2
3
4
5
6
7
8

结果：

黑帽

闭操作与原图像之间的差值图像
$$dst=blackhat(src,rlrment)=close(src,rlrment)-src$$

黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，且这一操作和选择的核的大小相关。

所以，黑帽运算用来分离比邻近点暗一些的斑块。可以得到轮廓效果图。

示例

def blackhat_image(image):
    """黑帽操作"""
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.morphologyEx(gray, cv.MORPH_BLACKHAT, kernel=kernel)  # 执行形态学操作（此时为黑帽操作）
    cv.imshow("blackhat_image", dst)
1
2
3
4
5
6

结果:

形态学梯度

本质上就是对图像的边缘提取，也可以说是膨胀的结果减去腐蚀的结果

示例

def gardient_image(image):
    """形态学梯度操作"""
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))  # 构造5×5的方形结构元素
    dst = cv.morphologyEx(gray, cv.MORPH_GRADIENT, kernel=kernel)  # 执行形态学操作（此时为形态学梯度操作）
    cv.imshow("blackhat_image", dst)
1
2
3
4
5
6

结果：

参考链接：

• opencv-python 之 cv2.morphologyEx（）
• Python+OpenCV图像处理之开闭操作
• 数字图像处理——第九章（形态学图像处理）
• OpenCV-Python系列之顶帽与黑帽操作(二十二）