图片处理-opencv-5.图像形态学(腐蚀,膨胀,开运算,闭运算,梯度运算,顶帽运算,黑帽运算)

图像腐蚀与图像膨胀

图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。

图像腐蚀

image.png

该公式表示图像A用卷积模板B来进行腐蚀处理，通过模板B与图像A进行卷积计算，得出B覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值。如图所示，将左边的原始图像A腐蚀处理为右边的效果图A-B。

image.png

形态学转换主要针对的是二值图像（0或1）。图像腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。

dst = cv2.erode(src, kernel, iterations)

dst表示处理的结果
src表示原图像
kernel表示卷积核
iterations表示迭代次数,迭代次数默认是1，表示进行一次腐蚀，也可以根据需要进行多次迭代，进行多次腐蚀

import cv2  
import numpy as np  
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 4))

#读取图片
src = cv2.imread('data/test4.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像腐蚀处理
erosion = cv2.erode(src, kernel)

#显示结果
titles = ['src', 'erosion']
images = [src, erosion]
for i in range(2):
    plt.subplot(1, 2, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

图像膨胀

image.png

该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点，用模板元素与二值图像元素做“与”运算，如果都为0，那么目标像素点为0，否则为1。从而计算B覆盖区域的像素点最大值，并用该值替换参考点的像素值实现膨胀。下图是将左边的原始图像A膨胀处理为右边的效果图A⊕B。

image.png

图像膨胀是腐蚀操作的逆操作，类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大，线条变粗了，主要用于去噪。
(1) 图像被腐蚀后，去除了噪声，但是会压缩图像。
(2) 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并且保持原有形状。

dst = cv2.dilate(src, kernel, iterations)

dst表示处理的结果
src表示原图像
kernel表示卷积核
iterations表示迭代次数

import cv2  
import numpy as np  
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 4))

#读取图片
src = cv2.imread('data/test4.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像膨胀处理
dilate = cv2.dilate(src, kernel)

#显示结果
titles = ['src', 'dilate']
images = [src, dilate]
for i in range(2):
    plt.subplot(1, 2, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

# 依次进行腐蚀、膨胀处理
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 4))


#读取图片
src = cv2.imread('data/test5.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel1 = np.ones((9,9), np.uint8)
#图像腐蚀处理
result1 = cv2.erode(src, kernel1)

#设置卷积核
kernel2 = np.ones((9,9), np.uint8)
#图像膨胀处理
result2 = cv2.dilate(result1, kernel2)

#显示结果
titles = ['Image', 'erode', 'dilate']
images = [src, result1, result2]
for i in range(3):
    plt.subplot(1, 3, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

图像开运算、闭运算、梯度运算、顶帽运算、黑帽运算

图像开运算

图像开运算是图像依次经过腐蚀、膨胀处理后的过程。图像被腐蚀后，去除了噪声，但是也压缩了图像；接着对腐蚀过的图像进行膨胀处理，可以去除噪声，并保留原有图像。

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

dst表示处理的结果
src表示原图像
cv2.MORPH_OPEN表示开运算
kernel表示卷积核

import cv2  
import numpy as np  
import matplotlib.pyplot as plt


#读取图片
src = cv2.imread('data/test6.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((12,12), np.uint8)

#图像开运算
result = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)

#显示结果
titles = ['src', 'result']
images = [src, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

图像闭运算

图像闭运算是图像依次经过膨胀、腐蚀处理后的过程。图像先膨胀，后腐蚀，它有助于关闭前景物体内部的小孔，或物体上的小黑点。

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

dst表示处理的结果
src表示原图像
cv2.MORPH_CLOSE
kernel表示卷积核

import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取图片
src = cv2.imread('data/test7.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((10,10), np.uint8)

#图像闭运算
result = cv2.morphologyEx(src, cv2.MORPH_CLOSE, kernel)

#显示结果
titles = ['src', 'result']
images = [src, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

图像梯度运算

图像梯度运算是膨胀图像减去腐蚀图像的结果，得到图像的轮廓，其中二值图像1表示白色点，0表示黑色点。

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

dst表示处理的结果
src表示原图像
cv2.MORPH_GRADIENT表示梯度运算
kernel表示卷积核

import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取图片
src = cv2.imread('data/test8.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((10,10), np.uint8)

#图像闭运算
result = cv2.morphologyEx(src, cv2.MORPH_GRADIENT, kernel)

#显示结果
titles = ['src', 'result']
images = [src, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

顶帽运算

图像顶帽（或图像礼帽）运算是原始图像减去图像开运算的结果，得到图像的噪声。常用于解决由于光照不均匀图像分割出错的问题。

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

dst表示处理的结果
src表示原图像
cv2.MORPH_TOPHAT表示顶帽运算
kernel表示卷积核

import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取图片
src = cv2.imread('data/test5.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((9,9), np.uint8)

#图像顶帽运算
result = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel)

#显示结果
titles = ['src', 'result']
images = [src, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

黑帽运算

图像黑帽运算是图像闭运算操作减去原始图像的结果，得到图像内部的小孔，或者前景色中的小黑点。也常用于解决由于光照不均匀图像分割出错的问题。

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

dst表示处理的结果
src表示原图像
cv2.MORPH_BLACKHAT表示顶帽运算
kernel表示卷积核

import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取图片
src = cv2.imread('data/test7.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像黑帽运算
result = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)

#显示结果
titles = ['src', 'result']
images = [src, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

# 基于灰度三维图的顶帽黑帽运算
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
from matplotlib.ticker import LinearLocator, FormatStrFormatter

#读取图像
img = cv.imread("data/test5.jpg")
img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
imgd = np.array(img)      #image类转numpy

#准备数据
sp = img.shape
h = int(sp[0])        #图像高度(rows)
w = int(sp[1])       #图像宽度(colums) of image

#绘图初始处理
fig = plt.figure(figsize=(16,12))
ax = fig.gca(projection="3d")

x = np.arange(0, w, 1)
y = np.arange(0, h, 1)
x, y = np.meshgrid(x,y)
z = imgd
surf = ax.plot_surface(x, y, z, cmap=cm.coolwarm)  

#自定义z轴
ax.set_zlim(-10, 255)
ax.zaxis.set_major_locator(LinearLocator(10))   #设置z轴网格线的疏密
#将z的value字符串转为float并保留2位小数
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f')) 

# 设置坐标轴的label和标题
ax.set_xlabel('x', size=15)
ax.set_ylabel('y', size=15)
ax.set_zlabel('z', size=15)
ax.set_title("surface plot", weight='bold', size=20)

#添加右侧的色卡条
fig.colorbar(surf, shrink=0.6, aspect=8)  
plt.show()

image.png

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
from matplotlib.ticker import LinearLocator, FormatStrFormatter

#读取图像
img = cv.imread("data/test5.jpg")
img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#图像黑帽运算
kernel = np.ones((10,10), np.uint8)
result = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

#image类转numpy
imgd = np.array(result)     

#准备数据
sp = result.shape
h = int(sp[0])        #图像高度(rows)
w = int(sp[1])       #图像宽度(colums) of image

#绘图初始处理
fig = plt.figure(figsize=(16,12))
ax = fig.gca(projection="3d")

x = np.arange(0, w, 1)
y = np.arange(0, h, 1)
x, y = np.meshgrid(x,y)
z = imgd
surf = ax.plot_surface(x, y, z, cmap=cm.coolwarm)  

#自定义z轴
ax.set_zlim(-10, 255)
ax.zaxis.set_major_locator(LinearLocator(10))   #设置z轴网格线的疏密
#将z的value字符串转为float并保留2位小数
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f')) 

# 设置坐标轴的label和标题
ax.set_xlabel('x', size=15)
ax.set_ylabel('y', size=15)
ax.set_zlabel('z', size=15)
ax.set_title("surface plot", weight='bold', size=20)

#添加右侧的色卡条
fig.colorbar(surf, shrink=0.6, aspect=8)  
plt.show()

image.png