欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python OpenCV学习之图像形态学

程序员文章站 2024-01-02 11:59:40
目录背景一、图像二值化二、自适应阈值三、腐蚀四、卷积核获取五、膨胀六、开运算七、闭运算八、形态学梯度九、顶帽运算十、黑帽运算总结背景形态学处理方法是基于对二进制图像进行处理的,卷积核决定图像处理后的效...

背景

形态学处理方法是基于对二进制图像进行处理的,卷积核决定图像处理后的效果;形态学的处理哦本质上相当于对图像做前处理,提取出有用的特征,以便后续的目标识别等任务;

一、图像二值化

定义:将图像的每个像素变成两种值,如0和255;

全局二值化的函数原型:

threshold(img,thresh,maxval,type)

  • img:最好是灰度图像
  • thresh:阈值
  • maxval:超过阈值,替换为maxval
  • type:有几种类型,thresh_binary为二值化的类型

案例代码:

img = cv2.imread('1.jpg')
img = cv2.cvtcolor(img, cv2.color_bgr2gray)

ret, dst = cv2.threshold(img, 100, 255, cv2.thresh_binary)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

关于type类型,可查看下图:

Python OpenCV学习之图像形态学

二、自适应阈值

解决的问题:由于光照不均匀以及阴影的存在,只有一个阈值会使得在阴影处的白色被二值化成黑色;

若采用全局二值化,在有阴影的图片中,阴影信息会丢失,如下图:

Python OpenCV学习之图像形态学

当阈值设置较高时,会出现部分阴影信息丢失,如果需要不断尝试找到合适阈值是一件耗时的事情,因此就有了自适应阈值的方法;

自适应阈值函数原型:

adaptivethreshold(img,maxval,adaptivemethod,,type,blocksize, c)

  • adaptivemethod:计算阈值的方法;
  • blocksize:邻近区域的大小;
  • c:常量,应从计算出的平均值或加权平均值中减去,一般设置为0;

计算阈值主要有两种两种方法:

① adaptive_thresh_mean_c:计算邻近区域的平均值;(根据blocksize大小做平均滤波)

② adaptive_thresh_gaussian_c:高斯窗口加权平均值;(根据blocksize大小做高斯滤波)

代码案例:

img = cv2.imread('new.jpg')
img = cv2.cvtcolor(img, cv2.color_bgr2gray)

dst = cv2.adaptivethreshold(img, 255, cv2.adaptive_thresh_gaussian_c, cv2.thresh_binary_inv, 11, 0)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

可以看出,虽然信息成功提取出来,但背景的噪点过多,后续会加以处理;

三、腐蚀

本质卷积核的值全为1,可通过下图简单理解其原理:

Python OpenCV学习之图像形态学

函数原型:

erode(img,kernel,iterations=1)

iterations:执行的次数;

代码案例:

img = cv2.imread('./j.png')
kernel = np.ones((3, 3), np.uint8)

dst = cv2.erode(img, kernel, 1)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

上图为腐蚀后的结果,明显白色区域变小了,如果增大卷积核或增加腐蚀次数会使得腐蚀效果更明显;

四、卷积核获取

函数原型:

getstructuringelement(type,size)

size一般设置成(3,3)或(5,5)这样;

type类型:

morph_rect:矩形形状的卷积核;

morph_ellipse:椭圆形状卷积核;

morph_cross:十字架形状卷积核;

腐蚀中的全为1的卷积核可以通过这个函数构造:

kernrl = cv2.getstructuringelement(cv2.morph_rect, (3, 3))

相比于用numpy构造更好;

五、膨胀

膨胀和腐蚀相反,其原理是卷积核中间不为0,则整个卷积核区域的值都为1,如下图:

Python OpenCV学习之图像形态学

函数原型:

dilate(img,kernel,iterations=1)

代码案例:

img = cv2.imread('./j.png')
kernel = np.ones((7, 7), np.uint8)

dst = cv2.dilate(img, kernel, 1)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

本次采用7x7的卷积核,所以效果会比较明显一些;

六、开运算

本质:先腐蚀,后膨胀;

函数原型:

morphologyex(img,cv2.morph_open,kernel)

代码案例:

img = cv2.imread('./dotj.png')
kernel = cv2.getstructuringelement(cv2.morph_rect, (7, 7))

dst = cv2.morphologyex(img, cv2.morph_open, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

从图中可看出,开运算很好的解决了小的噪点,也就是背景噪点去除;

七、闭运算

本质:先膨胀,后腐蚀;

函数原型等同于开运算,其中的类型进行修改即可;

代码案例:

img = cv2.imread('./dotinj.png')
kernel = cv2.getstructuringelement(cv2.morph_rect, (7, 7))

dst = cv2.morphologyex(img, cv2.morph_close, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

中间还是有一些噪点没有完全消除,可以调整卷积核大小,将卷积核调大,可以得到更好的效果;

八、形态学梯度

本质:梯度 = 原图 - 腐蚀

函数还是morphologyex,其中类型为morph_gradient;

代码案例:

img = cv2.imread('./j.png')
kernel = cv2.getstructuringelement(cv2.morph_rect, (3, 3))

dst = cv2.morphologyex(img, cv2.morph_gradient, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

可以看出来腐蚀的部分,也相当于提取了边缘;

九、顶帽运算

本质:顶帽 = 原图 - 开运算

函数还是morphologyex,其中类型为morph_tophat;

代码案例:

img = cv2.imread('./tophat.png')
kernel = cv2.getstructuringelement(cv2.morph_rect, (19, 19))

dst = cv2.morphologyex(img, cv2.morph_tophat, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

十、黑帽运算

本质:黑帽 = 原图 - 闭运算

函数还是morphologyex,其中类型为morph_blackhat;

代码案例:

img = cv2.imread('./dotinj.png')
kernel = cv2.getstructuringelement(cv2.morph_rect, (7, 7))

dst = cv2.morphologyex(img, cv2.morph_blackhat, kernel)

cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitkey(0)

Python OpenCV学习之图像形态学

总结

开运算:先腐蚀再膨胀,去除大图形外的小图形;

闭运算:先膨胀再腐蚀,去除大图形内的小图形;

梯度:求图形的边缘;

顶帽:原图减开运算,得到大图形外的小图形;

黑帽:原图减闭运算,得到大图形内的小图形;

以上就是python opencv学习之图像形态学的详细内容,更多关于python opencv图像形态学的资料请关注其它相关文章!

上一篇:

下一篇: