文章目录

• 1 形态学概述
• 2 图像全局二值化
• 3 自适应阈值二值化
• 4 腐蚀操作
• 5 获取形态学卷积核
• 6 膨胀操作
• 7 开运算
• 8 闭运算
• 9 形态学梯度
• 10 顶帽操作
• 11 黑帽操作

1 形态学概述

• 什么是形态学（morphology）
  • 指一系列处理图像形状特征的图像处理技术
  • 形态学的基本思想是利用一种特殊的结构元(本质上就是卷积核)来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别。该卷积核比较特殊，元素基本都是0/1.
  • 这些处理方法基本是对二进制图像进行处理, 即黑白图像
  • 卷积核决定着图像处理后的效果
  • 形态学常用基本操作有:
    • 膨胀和腐蚀
    • 开运算
    • 闭运算
    • 顶帽
    • 黑帽

2 图像全局二值化

• 二值化: 将图像的每个像素变成两种值, 比如0, 255.

• cv2.threshold(src, thresh, maxval, type[, dst])

  • src: 最好是灰度图

  • thresh: 阈值

  • maxval: 最大值, 最大值不一定是255（用的最多的还是255）

  • type: 操作类型. 常见操作类型如下（常用的是1、4）:

  • 会返回两个结果, 一个是阈值thresh, 另一个是处理后的图片dst

    

  import cv2 import numpy as np# 导入图片img = cv2.imread('./dog.jpeg')# 二值化操作是对灰度图像操作, 把dog变成灰度图像gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 注意, threshold会返回两个值, 一个是阈值, 二值化处理后的图片thresh, dst = cv2.threshold(gray, 110, 255, cv2.THRESH_BINARY)print(thresh)# 展示cv2.imshow('dog', np.hstack((gray, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

  

3 自适应阈值二值化

在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。但是这种方法并不适应于所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果，比全局二值化更加灵活一些。

• cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
  • 这种方法需要我们指定六个参数，返回值只有一个。
  • src 最好是灰度图
  • maxValue 最大值, 最大值不一定是255（用的最多的还是255）
  • Adaptive Method- 指定计算阈值的方法。
    　　　　　　– cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
    　　　　　　– cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。（效果更好）
  • type: 操作类型. 常见操作类型如下：

• Block Size - 邻域大小（用来计算阈值的区域大小，即卷积核大小），是一个奇数。
• C - 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数。
• dst 输出图像

import cv2 import numpy as np# 导入图片img = cv2.imread('./dog.jpeg')# 二值化操作是对灰度图像操作, 把dog变成灰度图像gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 自适应阈值二值化只有一个返回值,dst = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 19, 0)# 展示cv2.imshow('dog', np.hstack((gray, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

4 腐蚀操作

• 腐蚀操作也是用卷积核扫描图像, 只不过腐蚀操作的卷积核元素一般都是1, 如果卷积核内所有像素点都是白色, 那么锚点即为白色.

  

• 大部分时候腐蚀操作使用的都是全为1的卷积核.

  

• cv2.erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])

  • src 是原图
  • kernel 是卷积核的大小，元组形式
  • dst 输出图像
  • anchor 锚点，是可选参数，默认是（-1，-1）
  • iterations 是腐蚀操作的迭代次数, 次数越多, 腐蚀操作执行的次数越多, 腐蚀效果越明显
  • borderType 边界类型
  • borderValue 边缘值

import cv2 import numpy as np# 导入图片img = cv2.imread('./j.png')# 定义核kernel = np.ones((3,3), np.uint8)dst = cv2.erode(img, kernel, iterations=2)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

5 获取形态学卷积核

• opencv提供了获取卷积核的api.不需要我们手工创建卷积核.
• cv2.getStructuringElement(shape, ksize[, anchor])
  • shape是指卷积核的形状, 注意不是指长宽, 是指卷积核中1形成的形状.
    • MORPH_RECT 卷积核中的1是矩形, 常用.
    • MORPH_ELLIPSE 卷积核中的1椭圆
    • MORPH_CROSS 卷积核中的1十字
  • ksize 卷积核的大小，元组形式

import cv2import numpy as npimg = cv2.imread('./j.png')# 获取形态学卷积核kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# 腐蚀操作dst = cv2.erode(img, kernel, iterations=2)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

6 膨胀操作

膨胀是腐蚀的相反操作, 基本原理是只要保证卷积核的锚点是非0值, 周边无论是0还是非0值, 都变成非0值.

• cv2.dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  • src 是原图像
  • kernel 是卷积核的大小，元组形式
  • dst 输出图像
  • anchor 是锚点
  • iterations 是膨胀操作的迭代次数, 次数越多, 膨胀操作执行的次数越多, 膨胀效果越明显
  • borderType 边界类型
  • borderValue 边缘值

import cv2import numpy as npimg = cv2.imread('./j.png')# 获取形态学卷积核kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# 膨胀操作dst = cv2.dilate(img, kernel, iterations=2)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

膨胀和腐蚀的简单应用：

# 膨胀和腐蚀简单应用import cv2 import numpy as np# 导入图片img = cv2.imread('./msb.png')# 定义核kernel = np.ones((5, 5), np.uint8)# 先腐蚀dst = cv2.erode(img, kernel, iterations=1)# 再膨胀dst = cv2.dilate(dst, kernel, iterations=1)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

7 开运算

• 开运算和闭运算都是腐蚀和膨胀的基本应用.
• 开运算 = 腐蚀 + 膨胀（先腐蚀再膨胀）
• 适用于消除图像外部的噪声
• cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  • src 是原图
  • op 操作类型（operations），开运算是cv2.MORPH_OPEN
  • kernel 是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  • dst 是输出图像
  • anchor 是锚点
  • iterations 是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  • borderType 边界类型
  • borderValue 边缘值

import cv2import numpy as np# 开运算 = 腐蚀  + 膨胀# 开运算提供了另一种去除噪声的思路.img = cv2.imread('./dotj.png')kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 直接调用opencv提供的开运算apidst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=2)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

8 闭运算

• 闭运算 = 膨胀 + 腐蚀（先膨胀再腐蚀）
• 适用于消除图像内部的噪声
• cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  • src 是原图
  • op 操作类型（operations），开运算是cv2.MORPH_CLOSE
  • kernel 是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  • dst 是输出图像
  • anchor 是锚点
  • iterations 是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  • borderType 边界类型
  • borderValue 边缘值

import cv2import numpy as np# 闭运算= 膨胀 + 腐蚀# 闭运算可以去除图形内部的噪声img = cv2.imread('./dotinj.png')kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 调用opencv提供的apidst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=2)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

9 形态学梯度

• 梯度 = 原图 - 腐蚀
• 腐蚀之后原图边缘变小了, 原图 - 腐蚀 就可以得到腐蚀掉的部分, 即边缘.
• cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  • src 是原图
  • op 操作类型（operations），开运算是cv2.MORPH_GRADIENT
  • kernel 是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  • dst 是输出图像
  • anchor 是锚点
  • iterations 是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  • borderType 边界类型
  • borderValue 边缘值

# 形态学梯度 = 原图 - 腐蚀import cv2import numpy as npimg = cv2.imread('./j.png')# 注意调节kernel大小以获得更清晰的边缘kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# 调用opencv提供的apidst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

10 顶帽操作

• 顶帽 = 原图 - 开运算
• 开运算的效果是去除图像外的噪声, 原图 - 开运算就得到了去掉的噪声.
• morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  • src 是原图
  • op 操作类型（operations），开运算是cv2.MORPH_TOPHAT
  • kernel 是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  • dst 是输出图像
  • anchor 是锚点
  • iterations 是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  • borderType 边界类型
  • borderValue 边缘值

# 顶帽操作 = 原图  - 开运算 得到图形外的噪声import cv2 import numpy as npimg = cv2.imread('./dotj.png')# 注意调整kernel以保留小图形kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 调用opencv提供的apidst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=2)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

11 黑帽操作

• 黑帽 = 原图 - 闭运算
• 闭运算可以将图形内部的噪声去掉, 那么原图 - 闭运算的结果就是图形内部的噪声.
• cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  • src 是原图
  • op 操作类型（operations），开运算是cv2.MORPH_BLACKHAT
  • kernel 是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  • dst 是输出图像
  • anchor 是锚点
  • iterations 是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  • borderType 边界类型
  • borderValue 边缘值

# 黑帽操作 = 原图  - 闭运算 得到图形内部的噪声import cv2 import numpy as npimg = cv2.imread('./dotinj.png')# 注意调节kernel大小以获得更清晰的边缘kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 调用opencv提供的apidst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel, iterations=2)cv2.imshow('img', np.hstack((img, dst)))cv2.waitKey(0)cv2.destroyAllWindows()

附OpenCV目录：OpenCV总目录学习笔记

智科专业小白，写博文不容易，如果喜欢的话可以点个赞哦！