Python常用圖像形態(tài)學(xué)操作詳解
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(yīng)用復(fù)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(jīng)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(shè)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(jìn)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(nèi)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(jù)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(shù)據(jù)類型為無符號8位整數(shù)。然后使用erode()函數(shù)，其接收的參數(shù)分別為圖像矩陣，kernel矩陣，以及迭代次數(shù)。迭代次數(shù)就是腐蝕操作的次數(shù)。下面我們用一個圓來查看一下不同迭代次數(shù)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(shù)
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(jìn)行擴(kuò)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(kuò)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(nèi)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(jìn)行腐蝕
# 膨脹
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1) # 對腐蝕后圖像進(jìn)行膨脹
cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
其原理和參數(shù)意義與腐蝕操作類似，在此不做過多講解。
開運算與閉運算
開運算與閉運算都是應(yīng)用腐蝕與膨脹操作來處理原圖像的。區(qū)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(shù)都是morphologyEx()，只需要調(diào)整參數(shù)即可完成兩種不同的操作。
開運算
執(zhí)行開運算的函數(shù)是：
cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
kernel依然是n×n的矩陣，cv2.MORPH_OPEN指定了執(zhí)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(jié)果為：
閉運算
和開運算基本相同，只需要把morphologyEx()函數(shù)的第二個參數(shù)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(qū)別，僅僅是比原圖大了一圈，因此閉運算也沒有開運算應(yīng)用廣泛。
梯度運算
梯度運算本質(zhì)是膨脹-腐蝕。從這個定義中不難發(fā)現(xiàn)，梯度就是原圖的邊緣部分。獲取梯度依然要用到morphologyEx()函數(shù)，將第二個參數(shù)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(jié)果就是下面這樣：
禮帽與黑帽
禮帽和黑帽都是翻譯的結(jié)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(jié)果，黑帽操作是閉運算-原始輸入。依然是用morphologyEx()函數(shù)，通過修改第二個參數(shù)完成。
禮帽
禮帽操作需要用到的參數(shù)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(jié)果為：
黑帽
黑帽操作需要用到的參數(shù)是cv2.MORPH_BLACKHAT，黑帽運算會輸出執(zhí)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(jié)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()
到此這篇關(guān)于Python常用圖像形態(tài)學(xué)操作詳解的文章就介紹到這了,更多相關(guān)Python圖像形態(tài)學(xué)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
python TK庫簡單應(yīng)用（實時顯示子進(jìn)程輸出）
這篇文章主要介紹了python TK庫簡單應(yīng)用（實時顯示子進(jìn)程輸出），文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-10-10
lambda函數(shù)是Python中常用的內(nèi)置函數(shù)，又稱為匿名函數(shù)。和普通函數(shù)相比，它只有函數(shù)體，省略了def和return，使得結(jié)構(gòu)看起來更精簡。本文將詳細(xì)說說Lambda函數(shù)的用法，需要的可以參考一下2022-09-09
Numpy中的數(shù)組搜索中np.where方法詳細(xì)介紹
這篇文章主要介紹了Numpy中的數(shù)組搜索中np.where方法詳細(xì)介紹，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01
本文主要介紹了Python中的內(nèi)置時間包：datetime包?與?time包?，通過學(xué)習(xí)時間包可以讓我們的開發(fā)過程中對時間進(jìn)行輕松的處理，快來跟隨小編一起學(xué)習(xí)一下吧2022-03-03
這篇文章主要介紹了Python中with及contextlib的用法,結(jié)合實例形式較為詳細(xì)的分析了with及contextlib的功能、使用方法與相關(guān)注意事項,需要的朋友可以參考下2017-06-06
Python使用tkinter模塊實現(xiàn)推箱子游戲
這篇文章主要介紹了Python使用tkinter模塊實現(xiàn)推箱子游戲,主要分享兩點，第一就是這個程序的實現(xiàn)過程，第二點就是我在編寫過程中的一些思考。本文通過實例代碼給大家介紹的非常詳細(xì)，需要的朋友參看下吧2019-10-10
pycharm中導(dǎo)入模塊錯誤時提示Try to run this command from the system ter
這篇文章主要介紹了pycharm中導(dǎo)入模塊錯誤時提示Try to run this command from the system terminal問題，本文給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-03-03
本文主要介紹了淺談Python實時檢測CPU和GPU的功耗，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-01-01
Python實現(xiàn)獲取網(wǎng)站PR及百度權(quán)重
這篇文章主要介紹了Python實現(xiàn)獲取網(wǎng)站PR及百度權(quán)重,本文使用傳參的方式請求站長工具和谷歌工具獲取PR值和百度權(quán)重,需要的朋友可以參考下2015-01-01
這篇文章主要介紹了在Python中調(diào)用ggplot的三種方法,ggplot作為一個圖形庫,經(jīng)常被用來制作數(shù)據(jù)的可視化視圖,需要的朋友可以參考下2015-04-04