背景

形態(tài)學(xué)處理方法是基于對二進(jìn)制圖像進(jìn)行處理的，卷積核決定圖像處理后的效果；形態(tài)學(xué)的處理哦本質(zhì)上相當(dāng)于對圖像做前處理，提取出有用的特征，以便后續(xù)的目標(biāo)識別等任務(wù)；

一、圖像二值化

定義：將圖像的每個像素變成兩種值，如0和255；

全局二值化的函數(shù)原型：

threshold（img，thresh，maxVal，type）

• img：最好是灰度圖像
• thresh：閾值
• maxVal：超過閾值，替換為maxVal
• type：有幾種類型，THRESH_BINARY為二值化的類型

案例代碼：

img = cv2.imread('1.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, dst = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

關(guān)于type類型，可查看下圖：

二、自適應(yīng)閾值

解決的問題：由于光照不均勻以及陰影的存在，只有一個閾值會使得在陰影處的白色被二值化成黑色；

若采用全局二值化，在有陰影的圖片中，陰影信息會丟失，如下圖：

當(dāng)閾值設(shè)置較高時，會出現(xiàn)部分陰影信息丟失，如果需要不斷嘗試找到合適閾值是一件耗時的事情，因此就有了自適應(yīng)閾值的方法；

自適應(yīng)閾值函數(shù)原型：

adaptiveThreshold（img，maxVal，adaptiveMethod,，type，blockSize, C）

• adaptiveMethod：計算閾值的方法；
• blockSize：鄰近區(qū)域的大??；
• C：常量，應(yīng)從計算出的平均值或加權(quán)平均值中減去，一般設(shè)置為0；

計算閾值主要有兩種兩種方法：

① ADAPTIVE_THRESH_MEAN_C：計算鄰近區(qū)域的平均值；（根據(jù)blockSize大小做平均濾波）

② ADAPTIVE_THRESH_GAUSSIAN_C：高斯窗口加權(quán)平均值；（根據(jù)blockSize大小做高斯濾波）

代碼案例：

img = cv2.imread('new.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

dst = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 0)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

可以看出，雖然信息成功提取出來，但背景的噪點過多，后續(xù)會加以處理；

三、腐蝕

本質(zhì)卷積核的值全為1，可通過下圖簡單理解其原理：

函數(shù)原型：

erode（img，kernel，iterations=1）

iterations：執(zhí)行的次數(shù)；

代碼案例：

img = cv2.imread('./j.png')
kernel = np.ones((3, 3), np.uint8)

dst = cv2.erode(img, kernel, 1)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

上圖為腐蝕后的結(jié)果，明顯白色區(qū)域變小了，如果增大卷積核或增加腐蝕次數(shù)會使得腐蝕效果更明顯；

四、卷積核獲取

函數(shù)原型：

getStructuringElement（type，size）

size一般設(shè)置成（3，3）或（5，5）這樣；

type類型：

MORPH_RECT：矩形形狀的卷積核；

MORPH_ELLIPSE：橢圓形狀卷積核；

MORPH_CROSS：十字架形狀卷積核；

腐蝕中的全為1的卷積核可以通過這個函數(shù)構(gòu)造：

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

相比于用numpy構(gòu)造更好；

五、膨脹

膨脹和腐蝕相反，其原理是卷積核中間不為0，則整個卷積核區(qū)域的值都為1，如下圖：

函數(shù)原型：

dilate（img，kernel，iterations=1）

代碼案例：

img = cv2.imread('./j.png')
kernel = np.ones((7, 7), np.uint8)

dst = cv2.dilate(img, kernel, 1)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

本次采用7x7的卷積核，所以效果會比較明顯一些；

六、開運算

本質(zhì)：先腐蝕，后膨脹；

函數(shù)原型：

morphologyEx（img，cv2.MORPH_OPEN，kernel）

代碼案例：

img = cv2.imread('./dotj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

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

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

從圖中可看出，開運算很好的解決了小的噪點，也就是背景噪點去除；

七、閉運算

本質(zhì)：先膨脹，后腐蝕；

函數(shù)原型等同于開運算，其中的類型進(jìn)行修改即可；

代碼案例：

img = cv2.imread('./dotinj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

中間還是有一些噪點沒有完全消除，可以調(diào)整卷積核大小，將卷積核調(diào)大，可以得到更好的效果；

八、形態(tài)學(xué)梯度

本質(zhì)：梯度 = 原圖 - 腐蝕

函數(shù)還是morphologyEx，其中類型為MORPH_GRADIENT；

代碼案例：

img = cv2.imread('./j.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

可以看出來腐蝕的部分，也相當(dāng)于提取了邊緣；

九、頂帽運算

本質(zhì)：頂帽 = 原圖 - 開運算

函數(shù)還是morphologyEx，其中類型為MORPH_TOPHAT；

代碼案例：

img = cv2.imread('./tophat.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (19, 19))

dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

十、黑帽運算

本質(zhì)：黑帽 = 原圖 - 閉運算

函數(shù)還是morphologyEx，其中類型為MORPH_BLACKHAT；

代碼案例：

img = cv2.imread('./dotinj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)

總結(jié)

開運算：先腐蝕再膨脹，去除大圖形外的小圖形；

閉運算：先膨脹再腐蝕，去除大圖形內(nèi)的小圖形；

梯度：求圖形的邊緣；

頂帽：原圖減開運算，得到大圖形外的小圖形；

黑帽：原圖減閉運算，得到大圖形內(nèi)的小圖形；

以上就是Python OpenCV學(xué)習(xí)之圖像形態(tài)學(xué)的詳細(xì)內(nèi)容，更多關(guān)于Python OpenCV圖像形態(tài)學(xué)的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論