Python 影象處理 OpenCV (9):影象處理形態學開運算、閉運算以及梯度運算
阿新 • • 發佈:2020-06-13
![](https://cdn.geekdigging.com/opencv/opencv_header.png)
前文傳送門:
[「Python 影象處理 OpenCV (1):入門」](https://www.geekdigging.com/2020/05/17/5513454552/)
[「Python 影象處理 OpenCV (2):畫素處理與 Numpy 操作以及 Matplotlib 顯示影象」](https://www.geekdigging.com/2020/05/18/4936041986/)
[「Python 影象處理 OpenCV (3):影象屬性、影象感興趣 ROI 區域及通道處理」](https://www.geekdigging.com/2020/05/19/1227329671/)
[「Python 影象處理 OpenCV (4):影象算數運算以及修改顏色空間」](https://www.geekdigging.com/2020/05/21/1757913240/)
[「Python 影象處理 OpenCV (5):影象的幾何變換」](https://www.geekdigging.com/2020/05/23/4331122737/)
[「Python 影象處理 OpenCV (6):影象的閾值處理」](https://www.geekdigging.com/2020/06/03/6651375581/)
[「Python 影象處理 OpenCV (7):影象平滑(濾波)處理」](https://www.geekdigging.com/2020/06/06/8676263283/)
[「Python 影象處理 OpenCV (8):影象腐蝕與影象膨脹」](https://www.geekdigging.com/2020/06/08/5731186312/)
## 引言
前面介紹了影象形態學的兩種基礎演算法,影象腐蝕和影象膨脹,本篇接著介紹影象形態學中的開運算、閉運算以及梯度運算。
由於內容的連貫性,請先閱讀前文[「Python 影象處理 OpenCV (8):影象腐蝕與影象膨脹」](https://www.geekdigging.com/2020/06/08/5731186312/),瞭解清楚影象的腐蝕與膨脹基礎原理。
不然真的沒辦法理解開運算和閉運算。
第一件事情還是給影象增加噪聲,思路沿用之前加噪聲的思路,使用 Numpy 給圖片新增黑白兩種噪聲點,程式碼如下:
```python
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
# 讀取圖片
img = cv.imread("demo.png", cv.IMREAD_UNCHANGED)
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
rows, cols, chn = source.shape
# 加噪聲-白點噪聲
for i in range(500):
x = np.random.randint(0, rows)
y = np.random.randint(0, cols)
source[x, y, :] = 255
# 影象儲存 白點噪聲影象
cv.imwrite("demo_noise_white.jpg", source)
print("白點噪聲新增完成")
# 重新讀取影象
img1 = cv.imread("demo.png", cv.IMREAD_UNCHANGED)
source1 = cv.cvtColor(img1, cv.COLOR_BGR2RGB)
# 加噪聲-黑點噪聲
for i in range(1000):
x = np.random.randint(0, rows)
y = np.random.randint(0, cols)
source1[x, y, :] = 0
# 影象儲存 黑點噪聲影象
cv.imwrite("demo_noise_black.jpg", source1)
print("黑點噪聲新增完成")
# 顯示結果
titles = ['White Img','Black Img']
images = [source, source1]
# matplotlib 繪圖
for i in range(2):
plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
```
![](https://cdn.geekdigging.com/opencv/09/noise_result.png)
## 形態學開運算
影象開運算實際上是一個組合運算,開運算是影象先進行腐蝕,再進行膨脹的運算。
影象被腐蝕後,去除了噪聲,但是也壓縮了影象;接著對腐蝕過的影象進行膨脹處理,使得剛才在腐蝕過程中被壓縮的影象得以恢復原狀。
下面是一個影象開運算的流程圖:
![](https://cdn.geekdigging.com/opencv/09/open_liucheng.png)
開運算的一些特性:
* 開運算能夠除去孤立的小點,毛刺和小橋,而總的位置和形狀不便。
* 開運算是一個基於幾何運算的濾波器。
* 結構元素大小的不同將導致濾波效果的不同。
* 不同的結構元素的選擇導致了不同的分割,即提取出不同的特徵。
我們先不管開運算 OpenCV 為我們提供的函式是什麼,先使用前面介紹過的影象腐蝕與膨脹處理看下結果:
```python
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
# 讀取圖片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)
# 設定卷積核
kernel = np.ones((5, 5),np.uint8)
# 影象腐蝕
erode_img = cv.erode(source, kernel)
# 影象膨脹
dilate_result = cv.dilate(erode_img, kernel)
# 顯示結果
titles = ['Source Img','Erode Img','Dilate Img']
images = [source, erode_img, dilate_result]
# matplotlib 繪圖
for i in range(3):
plt.subplot(1, 3, i+1), plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
```
![](https://cdn.geekdigging.com/opencv/09/open_result_1.png)
可以看到降噪的效果還是不錯的。
接著看 OpenCV 為開運算提供的函式。
影象開運算主要使用到的函式是 `morphologyEx()` 它是形態學擴充套件的一組函式,而其中的 `cv.MORPH_OPEN` 對應的是開運算。
使用時語法如下:
```python
dst = cv.morphologyEx(src, cv.MORPH_OPEN, kernel)
```
* src: 原圖形
* cv2.MORPH_OPEN: 表示開運算
* kernel: 卷積核
我們再使用 `morphologyEx()` 函式去重新實現下剛才的影象開運算,看下和之前的結果有啥區別:
```python
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
# 讀取圖片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)
# 設定卷積核
kernel = np.ones((5, 5),np.uint8)
#影象開運算
dst = cv.morphologyEx(source, cv.MORPH_OPEN, kernel)
# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]
# matplotlib 繪圖
for i in range(2):
plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
```
![](https://cdn.geekdigging.com/opencv/09/open_result_2.png)
至少從肉眼的角度上看不出來和之前的方式有啥區別,實際上也沒啥區別。
## 形態學閉運算
與開運算相反的是閉運算,閉運算是影象先膨脹,後腐蝕,它有助於關閉前景物體內部的小孔,或物體上的小黑點。
先看下影象閉運算的流程圖:
![](https://cdn.geekdigging.com/opencv/09/close_liucheng.png)
閉運算的一些特性:
* 閉運算能夠填平小湖(即小孔),彌合小裂縫,而總的位置和形狀不變。
* 閉運算是通過填充影象的凹角來濾波影象的。
* 結構元素大小的不同將導致濾波效果的不同。
* 不同結構元素的選擇導致了不同的分割。
首先還是用 `dilate()` 和 `erode()` 函式實現一下影象閉運算,程式碼如下:
```python
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
# 讀取圖片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)
# 設定卷積核
kernel = np.ones((5, 5),np.uint8)
# 影象膨脹
dilate_result = cv.dilate(source, kernel)
# 影象腐蝕
erode_img = cv.erode(dilate_result, kernel)
# 顯示結果
titles = ['Source Img','Dilate Img','Erode Img']
images = [source, dilate_result, erode_img]
# matplotlib 繪圖
for i in range(3):
plt.subplot(1, 3, i+1), plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
```
![](https://cdn.geekdigging.com/opencv/09/close_result_1.png)
如果想要使用形態學擴充套件的函式 `morphologyEx()` 則需要把裡面的引數換成 `MORPH_CLOSE` ,同樣,既然是形態學擴充套件函式,那麼影象腐蝕和影象膨脹也有對應的引數:
* 影象腐蝕: `MORPH_ERODE`
* 影象膨脹: `MORPH_DILATE`
接著還是使用 `MORPH_CLOSE` 引數來實現下影象的閉運算:
```python
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
# 讀取圖片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)
# 設定卷積核
kernel = np.ones((5, 5),np.uint8)
# 影象閉運算
dst = cv.morphologyEx(source, cv.MORPH_CLOSE, kernel)
# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]
# matplotlib 繪圖
for i in range(2):
plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
```
![](https://cdn.geekdigging.com/opencv/09/close_result_2.png)
## 形態學梯度運算
影象形態學的梯度運算和前面的開運算閉運算是一樣的,都是組合函式。
梯度運算實際上是影象膨脹減去影象腐蝕後的結果,最終我們得到的是一個類似於影象輪廓的圖形。
![](https://cdn.geekdigging.com/opencv/09/gradient_result_1.png)
梯度運算在 `morphologyEx()` 函式中的引數是 `MORPH_GRADIENT` ,示例程式碼如下:
```python
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
# 讀取圖片
source = cv.imread("demo.png", cv.IMREAD_GRAYSCALE)
# 設定卷積核
kernel = np.ones((5, 5), np.uint8)
# 影象梯度運算
dst = cv.morphologyEx(source, cv.MORPH_GRADIENT, kernel)
# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]
# matplotlib 繪圖
for i in range(2):
plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
```
![](https://cdn.geekdigging.com/opencv/09/gradient_result.png)
## 示例程式碼
如果有需要獲取原始碼的同學可以在公眾號回覆「OpenCV」進行獲取。
## 參考
http://www.woshicver.com/
https://blog.csdn.net/Eastmount/article/details/83651172
https://blog.csdn.net/hanshanbuleng/article/details/