Python 影像處理 OpenCV （9）：影像處理形態學開運算、閉運算以及梯度運算

前文傳送門：

引言

前面介紹了影像形態學的兩種基礎演算法，影像腐蝕和影像膨脹，本篇接著介紹影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 影像處理 OpenCV （8）：影像腐蝕與影像膨脹」，瞭解清楚影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。

第一件事情還是給影像增加噪聲，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：

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

# 影像儲存 白點噪聲影像
cv.imwrite("demo_noise_white.jpg", source)
print("白點噪聲新增完成")

# 重新讀取影像
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

# 影像儲存 黑點噪聲影像
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()

形態學開運算

影像開運算實際上是一個組合運算，開運算是影像先進行腐蝕，再進行膨脹的運算。

影像被腐蝕後，去除了噪聲，但是也壓縮了影像；接著對腐蝕過的影像進行膨脹處理，使得剛才在腐蝕過程中被壓縮的影像得以恢復原狀。

下面是一個影像開運算的流程圖：

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)

# 設定卷積核
kernel = np.ones((5, 5),np.uint8)

# 影像腐蝕
erode_img = cv.erode(source, kernel)

# 影像膨脹
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。

接著看 OpenCV 為開運算提供的函式。

影像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：

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)

# 設定卷積核
kernel = np.ones((5, 5),np.uint8)

#影像開運算
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，閉運算是影像先膨脹，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。
閉運算是通過填充影像的凹角來濾波影像的。
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() 函式實現一下影像閉運算，程式碼如下：

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)

# 設定卷積核
kernel = np.ones((5, 5),np.uint8)

# 影像膨脹
dilate_result = cv.dilate(source, kernel)

# 影像腐蝕
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，那麼影像腐蝕和影像膨脹也有對應的引數：

影像腐蝕： MORPH_ERODE
影像膨脹： MORPH_DILATE

接著還是使用 MORPH_CLOSE 引數來實現下影像的閉運算：

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)

# 設定卷積核
kernel = np.ones((5, 5),np.uint8)

# 影像閉運算
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

影像形態學的梯度運算和前面的開運算閉運算是一樣的，都是組合函式。

梯度運算實際上是影像膨脹減去影像腐蝕後的結果，最終我們得到的是一個類似於影像輪廓的圖形。

梯度運算在 morphologyEx() 函式中的引數是 MORPH_GRADIENT ，示例程式碼如下：

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)

# 設定卷積核
kernel = np.ones((5, 5), np.uint8)

# 影像梯度運算
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/80657148

Python 影像處理 OpenCV （9）：影像處理形態學開運算、閉運算以及梯度運算

引言

形態學開運算

形態學閉運算

形態學梯度運算

示例程式碼

參考

相關文章