前文傳送門：
「Python 圖像處理 OpenCV （2）：像素處理與 Numpy 操作以及 Matplotlib 顯示圖像」
「Python 圖像處理 OpenCV （3）：圖像屬性、圖像感興趣 ROI 區域及通道處理」
「Python 圖像處理 OpenCV （4）：圖像算數運算以及修改顏色空間」
「Python 圖像處理 OpenCV （5）：圖像的幾何變換」
「Python 圖像處理 OpenCV （6）：圖像的閾值處理」
「Python 圖像處理 OpenCV （7）：圖像平滑（濾波）處理」
「Python 圖像處理 OpenCV （8）：圖像腐蝕與圖像膨脹」
引言
前面介紹了圖像形態學的兩種基礎算法，圖像腐蝕和圖像膨脹，本篇接着介紹圖像形態學中的開運算、閉運算以及梯度運算。
由於內容的連貫性，請先閱讀前文「Python 圖像處理 OpenCV （8）：圖像腐蝕與圖像膨脹」，了解清楚圖像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。
第一件事情還是給圖像增加噪聲，思路沿用之前加噪聲的思路，使用 Numpy 給圖片添加黑白兩種噪聲點，代碼如下：
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
# 圖像保存 白點噪聲圖像
cv.imwrite("demo_noise_white.jpg", source)
print("白點噪聲添加完成")
# 重新讀取圖像
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
# 圖像保存 黑點噪聲圖像
cv.imwrite("demo_noise_black.jpg", source1)
print("黑點噪聲添加完成")
# 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()
形態學開運算
圖像開運算實際上是一個組合運算，開運算是圖像先進行腐蝕，再進行膨脹的運算。
圖像被腐蝕后，去除了噪聲，但是也壓縮了圖像；接着對腐蝕過的圖像進行膨脹處理，使得剛才在腐蝕過程中被壓縮的圖像得以恢復原狀。
下面是一個圖像開運算的流程圖：
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，即提取出不同的特征。
我們先不管開運算 OpenCV 為我們提供的函數是什么，先使用前面介紹過的圖像腐蝕與膨脹處理看下結果：
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)
# 設置卷積核
kernel = np.ones((5, 5),np.uint8)
# 圖像腐蝕
erode_img = cv.erode(source, kernel)
# 圖像膨脹
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()
可以看到降噪的效果還是不錯的。
接着看 OpenCV 為開運算提供的函數。
圖像開運算主要使用到的函數是 morphologyEx() 它是形態學擴展的一組函數，而其中的 cv.MORPH_OPEN 對應的是開運算。
使用時語法如下：
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() 函數去重新實現下剛才的圖像開運算，看下和之前的結果有啥區別：
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)
# 設置卷積核
kernel = np.ones((5, 5),np.uint8)
#圖像開運算
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()
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，閉運算是圖像先膨脹，后腐蝕，它有助於關閉前景物體內部的小孔，或物體上的小黑點。
先看下圖像閉運算的流程圖：
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。
- 閉運算是通過填充圖像的凹角來濾波圖像的。
- 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() 函數實現一下圖像閉運算，代碼如下：
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)
# 設置卷積核
kernel = np.ones((5, 5),np.uint8)
# 圖像膨脹
dilate_result = cv.dilate(source, kernel)
# 圖像腐蝕
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()
如果想要使用形態學擴展的函數 morphologyEx() 則需要把里面的參數換成 MORPH_CLOSE ，同樣，既然是形態學擴展函數，那么圖像腐蝕和圖像膨脹也有對應的參數：
- 圖像腐蝕：
MORPH_ERODE - 圖像膨脹：
MORPH_DILATE
接着還是使用 MORPH_CLOSE 參數來實現下圖像的閉運算：
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)
# 設置卷積核
kernel = np.ones((5, 5),np.uint8)
# 圖像閉運算
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()
形態學梯度運算
圖像形態學的梯度運算和前面的開運算閉運算是一樣的，都是組合函數。
梯度運算實際上是圖像膨脹減去圖像腐蝕后的結果，最終我們得到的是一個類似於圖像輪廓的圖形。
梯度運算在 morphologyEx() 函數中的參數是 MORPH_GRADIENT ，示例代碼如下：
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)
# 設置卷積核
kernel = np.ones((5, 5), np.uint8)
# 圖像梯度運算
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()
示例代碼
如果有需要獲取源碼的同學可以在公眾號回復「OpenCV」進行獲取。
參考
https://blog.csdn.net/Eastmount/article/details/83651172
https://blog.csdn.net/hanshanbuleng/article/details/80657148