计算机视觉OpenCV 4
形态学转换
• 学习不同的形态学操作,例如腐蚀,膨胀,开运算,闭运算等
• 我们要学习的函数有:cv2.erode(), cv2.dilate(), cv2.morphologyEx()
等
形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数,一个是原始图像,第二个被称为结构化元素或核,它是用来决定操作的性质的。
1 腐蚀
就像土壤侵蚀一样,这个操作会把前景物体的边界腐蚀掉(但是前景仍然是白色)。卷积核沿着图像滑动,如果与卷积核对应的原图像的所有像素值都是 1,那么中心元素就保持原来的像素值,否则就变为零。
kernel = np.ones((5,5), np.uint8)
img1 = cv2.erode(img, kernel, iterations=1)
im_show('img', img1)
2 膨胀
与腐蚀相反,与卷积核对应的原图像的像素值中只要有一个是 1,中心元素的像素值就是 1。所以这个操作会增加图像中的白色区域(前景)。一般在去噪声时先用腐蚀再用膨胀。因为腐蚀在去掉白噪声的同时,也会使前景对象变小。所以我们再对他进行膨胀。
img2 = cv2.dilate(img1, kernel, iterations=1)
3 开运算
先进性腐蚀再进行膨胀就叫做开运算。就像我们上面介绍的那样,它被用来去除噪声。这里我们用到的函数是 cv2.morphologyEx()。
img3 = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
4 闭运算
先膨胀再腐蚀。它经常被用来填充前景物体中的小洞,或者前景物体上的小黑点。
img4 = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
5 形态学梯度
其实就是一幅图像膨胀与腐蚀的差别。结果看上去就像前景物体的轮廓。
img5 = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
6 礼帽
原始图像与进行开运算之后得到的图像的差。
img6 = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
7 黑帽
进行闭运算之后得到的图像与原始图像的差。
img7 = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
8 结构化元素
在前面的例子中我们使用 Numpy 构建了结构化元素,它是正方形的。但有时我们需要构建一个椭圆形/圆形的核。为了实现这种要求,提供了 OpenCV函数 cv2.getStructuringElement()。你只需要告诉他你需要的核的形状和大小。
cv2.getStructuringElement(cv2.MORPH_RECT,(5,5)) # Rectangular Kernel
cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5)) # Elliptical Kernel
cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5)) # Cross-shaped Kernel
图像梯度
• 图像梯度,图像边界等
• 使用到的函数有: cv2.Sobel(), cv2.Schar(), cv2.Laplacian() 等