前言

這篇文章將詳細(xì)講解開始圖像形態(tài)學(xué)知識，主要介紹圖像腐蝕處理和膨脹處理。數(shù)學(xué)形態(tài)學(xué)（Mathematical Morphology）是一種應(yīng)用于圖像處理和模式識別領(lǐng)域的新方法。數(shù)學(xué)形態(tài)學(xué)（也稱圖像代數(shù)）表示以形態(tài)為基礎(chǔ)對圖像進(jìn)行分析的數(shù)學(xué)工具，其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中對應(yīng)形狀以達(dá)到對圖像分析和識別的目的。

一.形態(tài)學(xué)理論知識

數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡化圖像數(shù)據(jù)，保持它們基本的形狀特征，并出去不相干的結(jié)構(gòu)。數(shù)學(xué)形態(tài)學(xué)的算法有天然的并行實現(xiàn)的結(jié)構(gòu)，主要針對的是二值圖像（0或1）。在圖像處理方面，二值形態(tài)學(xué)經(jīng)常應(yīng)用到對圖像進(jìn)行分割、細(xì)化、抽取骨架、邊緣提取、形狀分析、角點檢測，分水嶺算法等。由于其算法簡單，算法能夠并行運(yùn)算所以經(jīng)常應(yīng)用到硬件中[1-2]。

常見的圖像形態(tài)學(xué)運(yùn)算包括：

• 腐蝕
• 膨脹
• 開運(yùn)算
• 閉運(yùn)算
• 梯度運(yùn)算
• 頂帽運(yùn)算
• 底帽運(yùn)算

這些運(yùn)算在OpenCV中主要通過MorphologyEx()函數(shù)實現(xiàn)，它能利用基本的膨脹和腐蝕技術(shù)，來執(zhí)行更加高級形態(tài)學(xué)變換，如開閉運(yùn)算、形態(tài)學(xué)梯度、頂帽、黑帽等，也可以實現(xiàn)最基本的圖像膨脹和腐蝕。其函數(shù)原型如下：

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

– src表示原始圖像

– model表示圖像進(jìn)行形態(tài)學(xué)處理，包括：

(1)cv2.MORPH_OPEN：開運(yùn)算（Opening Operation）

(2)cv2.MORPH_CLOSE：閉運(yùn)算（Closing Operation）

(3)cv2.MORPH_GRADIENT：形態(tài)學(xué)梯度（Morphological Gradient）

(4)cv2.MORPH_TOPHAT：頂帽運(yùn)算（Top Hat）

(5)cv2.MORPH_BLACKHAT：黑帽運(yùn)算（Black Hat）

kernel表示卷積核，可以用numpy.ones()函數(shù)構(gòu)建

二.圖像腐蝕

圖像的腐蝕（Erosion）和膨脹（Dilation）是兩種基本的形態(tài)學(xué)運(yùn)算，主要用來尋找圖像中的極小區(qū)域和極大區(qū)域。圖像腐蝕類似于“領(lǐng)域被蠶食”，它將圖像中的高亮區(qū)域或白色部分進(jìn)行縮減細(xì)化，其運(yùn)行結(jié)果比原圖的高亮區(qū)域更小。

設(shè)A，B為集合，A被B的腐蝕，記為A－B，其定義為：

該公式表示圖像A用卷積模板B來進(jìn)行腐蝕處理，通過模板B與圖像A進(jìn)行卷積計算，得出B覆蓋區(qū)域的像素點最小值，并用這個最小值來替代參考點的像素值。如圖1所示，將左邊的原始圖像A腐蝕處理為右邊的效果圖A-B。

圖像腐蝕主要包括二值圖像和卷積核兩個輸入對象，卷積核是腐蝕中的關(guān)鍵數(shù)組，采用Numpy庫可以生成。卷積核的中心點逐個像素掃描原始圖像，被掃描到的原始圖像中的像素點，只有當(dāng)卷積核對應(yīng)的元素值均為1時，其值才為1，否則將其像素值修改為0。在Python中，主要調(diào)用OpenCV的erode()函數(shù)實現(xiàn)圖像腐蝕。

其函數(shù)原型如下：

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

– src表示原始圖像

– kernel表示卷積核

– iterations表示迭代次數(shù)，默認(rèn)值為1，表示進(jìn)行一次腐蝕操作

可以采用函數(shù)numpy.ones((5,5), numpy.uint8)創(chuàng)建5×5的卷積核，如下：

圖像腐蝕操作的代碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('test01.jpg', cv2.IMREAD_UNCHANGED)

#設(shè)置卷積核
kernel = np.ones((5,5), np.uint8)

#圖像腐蝕處理
erosion = cv2.erode(src, kernel)

#顯示圖像
cv2.imshow("src", src)
cv2.imshow("result", erosion)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖2所示，左邊表示原圖，右邊是腐蝕處理后的圖像，可以發(fā)現(xiàn)圖像中的干擾細(xì)線（噪聲）被清洗干凈。

如果腐蝕之后的圖像仍然存在噪聲，可以設(shè)置迭代次數(shù)進(jìn)行多次腐蝕操作。比如進(jìn)行9次腐蝕操作的核心代碼如下：

erosion = cv2.erode(src, kernel,iterations=9)

最終經(jīng)過9次腐蝕處理的輸出圖像如圖3所示。

三.圖像膨脹

圖像膨脹是腐蝕操作的逆操作，類似于“領(lǐng)域擴(kuò)張”，它將圖像中的高亮區(qū)域或白色部分進(jìn)行擴(kuò)張，其運(yùn)行結(jié)果比原圖的高亮區(qū)域更大。

設(shè)A，B為集合，∅為空集，A被B的膨脹，記為A⊕B，其中⊕為膨脹算子，膨脹定義為：

該公式表示用B來對圖像A進(jìn)行膨脹處理，其中B是一個卷積模板，其形狀可以為正方形或圓形，通過模板B與圖像A進(jìn)行卷積計算，掃描圖像中的每一個像素點，用模板元素與二值圖像元素做“與”運(yùn)算，如果都為0，那么目標(biāo)像素點為0，否則為1。從而計算B覆蓋區(qū)域的像素點最大值，并用該值替換參考點的像素值實現(xiàn)圖像膨脹。圖4是將左邊的原始圖像A膨脹處理為右邊的效果圖A⊕B。

圖像被腐蝕處理后，它將去除噪聲，但同時會壓縮圖像，而圖像膨脹操作可以去除噪聲并保持原有形狀，如圖5所示。

在Python中，主要調(diào)用OpenCV的dilate()函數(shù)實現(xiàn)圖像腐蝕。函數(shù)原型如下：

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

– src表示原始圖像

– kernel表示卷積核，可以用numpy.ones()函數(shù)構(gòu)建

– iterations表示迭代次數(shù)，默認(rèn)值為1，表示進(jìn)行一次膨脹操作

圖像膨脹操作的代碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('zhiwen.png', cv2.IMREAD_UNCHANGED)

#設(shè)置卷積核
kernel = np.ones((5,5), np.uint8)

#圖像膨脹處理
erosion = cv2.dilate(src, kernel)

#顯示圖像
cv2.imshow("src", src)
cv2.imshow("result", erosion)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖6所示：

四.總結(jié)

本文主要介紹圖像形態(tài)學(xué)處理，詳細(xì)講解了圖像腐蝕處理和膨脹處理。數(shù)學(xué)形態(tài)學(xué)是一種應(yīng)用于圖像處理和模式識別領(lǐng)域的新方法，其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中對應(yīng)形狀以達(dá)到對圖像分析和識別目的。

到此這篇關(guān)于Python圖像運(yùn)算之腐蝕與膨脹詳解的文章就介紹到這了,更多相關(guān)Python圖像腐蝕 膨脹內(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！

最新評論