Python常用圖像形態(tài)學(xué)操作詳解
腐蝕
在一些圖像中，會(huì)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(shí)，三個(gè)文字也小了一點(diǎn)，這就是腐蝕操作。所謂腐蝕操作，就是我們設(shè)置一個(gè)n×n的矩陣，這個(gè)矩陣可以視為一個(gè)卷積核，在原圖上進(jìn)移動(dòng)。矩陣覆蓋住的像素點(diǎn)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(gè)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(gè)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(shí)就是腐蝕操作的反面。“卷積核”包裹住的像素中有255，則這個(gè)卷積核中心位置會(huì)置為255，否則不變。因此，膨脹操作會(huì)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(huì)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(yùn)算與閉運(yùn)算
開運(yùn)算與閉運(yùn)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(yùn)算是先腐蝕在膨脹，閉運(yùn)算是先膨脹再腐蝕。這兩個(gè)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(yùn)算
執(zhí)行開運(yùn)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(yùn)算為開運(yùn)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(yùn)算
和開運(yùn)算基本相同，只需要把morphologyEx()函數(shù)的第二個(gè)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(yùn)算也沒有開運(yùn)算應(yīng)用廣泛。
梯度運(yùn)算
梯度運(yùn)算本質(zhì)是膨脹-腐蝕。從這個(gè)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(gè)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(yùn)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(yùn)算結(jié)果，黑帽操作是閉運(yùn)算-原始輸入。依然是用morphologyEx()函數(shù)，通過修改第二個(gè)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(yùn)算會(huì)輸出執(zhí)行閉運(yùn)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(huì)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
Django實(shí)現(xiàn)web端tailf日志文件功能及實(shí)例詳解
這篇文章主要介紹了Django實(shí)現(xiàn)web端tailf日志文件功能，本文通過實(shí)例給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-07-07
pycharm下打開、執(zhí)行并調(diào)試scrapy爬蟲程序的方法
本篇文章主要介紹了pycharm下打開、執(zhí)行并調(diào)試scrapy爬蟲程序的方法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2017-11-11
啄木鳥社區(qū)上原始翻譯后繪制的，最早這個(gè)圖是出現(xiàn)在，這個(gè)圖太棒了，有編程基礎(chǔ)的人一下子就了解 Python 的用法了。真正的 30 分鐘上手,需要的朋友可以參考下2017-02-02
二叉堆是一種特殊的堆，二叉堆是完全二元樹（二叉樹）或者是近似完全二元樹（二叉樹）。二叉堆有兩種：最大堆和最小堆。最大堆：父結(jié)點(diǎn)的鍵值總是大于或等于任何一個(gè)子節(jié)點(diǎn)的鍵值；最小堆：父結(jié)點(diǎn)的鍵值總是小于或等于任何一個(gè)子節(jié)點(diǎn)的鍵值。2016-02-02
Python?對象拷貝及深淺拷貝區(qū)別的詳細(xì)教程示例
這篇文章主要介紹了Python?對象拷貝及深淺拷貝區(qū)別的詳細(xì)教程示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-03-03
Python實(shí)現(xiàn)貪吃蛇小游戲(雙人模式)
這篇文章主要為大家詳細(xì)介紹了Python實(shí)現(xiàn)雙人模式的貪吃蛇小游戲，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-09-09
這篇文章主要介紹了python?使用OpenCV進(jìn)行曝光融合，使用OpenCV的Exposure?Fusion，曝光融合是一種將使用不同曝光設(shè)置拍攝的圖像合成為一張看起來像色調(diào)映射的高動(dòng)態(tài)范圍（HDR）圖像的圖像的方，下文更多詳細(xì)內(nèi)容介紹，需要的小伙伴可以參考一下2022-04-04
本文主要介紹了Python讀取和存儲(chǔ)yaml文件的方法，文中通過示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-10-10
Python編程應(yīng)用設(shè)計(jì)原則詳解
什么是好用的代碼呢？其實(shí)就是代碼質(zhì)量比較高，如何評價(jià)代碼質(zhì)量的高低呢？最常用的、最重要的評價(jià)標(biāo)準(zhǔn)，就是代碼的可維護(hù)性、可讀性、可擴(kuò)展性、靈活性、簡潔性、可復(fù)用性、可測試性2021-09-09
python hash每次調(diào)用結(jié)果不同的原因
這篇文章主要介紹了python hash每次調(diào)用結(jié)果不同的原因,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(jià)值,需要的朋友可以參考下2019-11-11