脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → Python图像形态学

Python常用图像形态学操作详解

 更新时间：2022年08月17日 10:46:13   作者：有理想的打工人  
这篇文章主要为大家详细介绍几个Python中常用的图像形态学操作：腐蚀、膨胀、开闭运算、梯度运算、礼帽和黑帽，感兴趣的小伙伴可以跟随小编一起学习一下

腐蚀

在一些图像中，会有一些异常的部分，比如这样的毛刺：

对于这样的情况，我们就可以应用复式操作了。需要注意的是，腐蚀操作只能处理二值图像，即像素矩阵的值只有0（黑色）和255（白色）。我们先看看代码和效果：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
# 腐蚀的代码
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

这张图片已经几乎看不到毛刺了，但与此同时，三个文字也小了一点，这就是腐蚀操作。所谓腐蚀操作，就是我们设置一个n×n的矩阵，这个矩阵可以视为一个卷积核，在原图上进移动。矩阵覆盖住的像素点中，如果有0（黑色），那么该卷积核的中心位置置零，反之，如果该卷积核内全都是255，则不做操作：

注意：我们可以理解成腐蚀操作是完全根据原图生成的新图，而不是在原土上的修改。

接下来我们再看看腐蚀的代码：

kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

首先，我们要利用numpy库生成一个n×n大小的全1矩阵kernel作为卷积核，并且需要指定数据类型为无符号8位整数。然后使用erode()函数，其接收的参数分别为图像矩阵，kernel矩阵，以及迭代次数。迭代次数就是腐蚀操作的次数。下面我们用一个圆来查看一下不同迭代次数的腐蚀效果：

import cv2
import numpy as np
kernel = np.ones((30,30),np.uint8)
pie = cv2.imread('pie.png')
# 观察不同的迭代次数
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

膨胀

腐蚀操作可以腐蚀掉二值图像的边缘，因此可以消除掉一些图片上的毛刺，但是损失一些原图相中有效的部分也是在所难免的。膨胀其实就是腐蚀操作的反面。“卷积核”包裹住的像素中有255，则这个卷积核中心位置会置为255，否则不变。因此，膨胀操作会把原本的图像范围进行扩大：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')

kernel = np.ones((3,3),np.uint8)
# 膨胀操作
dige_dilate = cv2.dilate(img,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)

cv2.waitKey(0)
cv2.destroyAllWindows()

可以看到，膨胀操作后，图像的范围变大了一圈，就连毛刺也都扩大了。膨胀操作通常会配合腐蚀操作一起使用的，先腐蚀在膨胀，可以在保持图片中有效内容大小大体不变的情况下去除掉毛刺：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 腐蚀
erosion = cv2.erode(img,kernel,iterations = 1) # 对原图像进行腐蚀
# 膨胀
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1) # 对腐蚀后图像进行膨胀
cv2.imshow('dilate', dige_dilate)

cv2.waitKey(0)
cv2.destroyAllWindows()

其原理和参数意义与腐蚀操作类似，在此不做过多讲解。

开运算与闭运算

开运算与闭运算都是应用腐蚀与膨胀操作来处理原图像的。区别在于开运算是先腐蚀在膨胀，闭运算是先膨胀再腐蚀。这两个操作需要用到的函数都是morphologyEx()，只需要调整参数即可完成两种不同的操作。

开运算

执行开运算的函数是：

cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

kernel依然是n×n的矩阵，cv2.MORPH_OPEN指定了执行运算为开运算：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果为：

闭运算

和开运算基本相同，只需要把morphologyEx()函数的第二个参数改为cv2.MORPH_CLOSE即可：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

很明显，先膨胀再腐蚀和原图并没有什么区别，仅仅是比原图大了一圈，因此闭运算也没有开运算应用广泛。

梯度运算

梯度运算本质是膨胀-腐蚀。从这个定义中不难发现，梯度就是原图的边缘部分。获取梯度依然要用到morphologyEx()函数，将第二个参数改为cv2.MORPH_GRADIENT即可：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 先用开运算把毛刺去掉：
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

得到的结果就是下面这样：

礼帽与黑帽

礼帽和黑帽都是翻译的结果，因此我们不能望文生义。礼貌操作就是原始图像-开运算结果，黑帽操作是闭运算-原始输入。依然是用morphologyEx()函数，通过修改第二个参数完成。

礼帽

礼帽操作需要用到的参数是cv2.MORPH_TOPHAT。由礼帽操作的定义可以直到，礼帽操作可以得到图片中的“毛刺”部分：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 礼帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

得到的结果为：

黑帽

黑帽操作需要用到的参数是cv2.MORPH_BLACKHAT，黑帽运算会输出执行闭运算后的图像比原图大出的一小圈轮廓：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((5,5),np.uint8) # kernel矩阵维度大一些会让黑帽操作的结果更明显
# 黑帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

到此这篇关于Python常用图像形态学操作详解的文章就介绍到这了,更多相关Python图像形态学内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

相关文章

  • Django实现web端tailf日志文件功能及实例详解

    Django实现web端tailf日志文件功能及实例详解

    这篇文章主要介绍了Django实现web端tailf日志文件功能，本文通过实例给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下
    2019-07-07
  • pycharm下打开、执行并调试scrapy爬虫程序的方法

    pycharm下打开、执行并调试scrapy爬虫程序的方法

    本篇文章主要介绍了pycharm下打开、执行并调试scrapy爬虫程序的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
    2017-11-11
  • 一张图带我们入门Python基础教程

    一张图带我们入门Python基础教程

    啄木鸟社区上原始翻译后绘制的，最早这个图是出现在，这个图太棒了，有编程基础的人一下子就了解 Python 的用法了。真正的 30 分钟上手,需要的朋友可以参考下
    2017-02-02
  • Python实现二叉堆

    Python实现二叉堆

    二叉堆是一种特殊的堆，二叉堆是完全二元树（二叉树）或者是近似完全二元树（二叉树）。二叉堆有两种：最大堆和最小堆。最大堆：父结点的键值总是大于或等于任何一个子节点的键值；最小堆：父结点的键值总是小于或等于任何一个子节点的键值。
    2016-02-02
  • Python 对象拷贝及深浅拷贝区别的详细教程示例

    Python 对象拷贝及深浅拷贝区别的详细教程示例

    这篇文章主要介绍了Python 对象拷贝及深浅拷贝区别的详细教程示例，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
    2023-03-03
  • Python实现贪吃蛇小游戏(双人模式)

    Python实现贪吃蛇小游戏(双人模式)

    这篇文章主要为大家详细介绍了Python实现双人模式的贪吃蛇小游戏，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2021-09-09
  • python 使用OpenCV进行曝光融合

    python 使用OpenCV进行曝光融合

    这篇文章主要介绍了python 使用OpenCV进行曝光融合，使用OpenCV的Exposure Fusion，曝光融合是一种将使用不同曝光设置拍摄的图像合成为一张看起来像色调映射的高动态范围（HDR）图像的图像的方，下文更多详细内容介绍，需要的小伙伴可以参考一下
    2022-04-04
  • Python读取和存储yaml文件的方法

    Python读取和存储yaml文件的方法

    本文主要介绍了Python读取和存储yaml文件的方法，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2021-10-10
  • Python编程应用设计原则详解

    Python编程应用设计原则详解

    什么是好用的代码呢？其实就是代码质量比较高，如何评价代码质量的高低呢？最常用的、最重要的评价标准，就是代码的可维护性、可读性、可扩展性、灵活性、简洁性、可复用性、可测试性
    2021-09-09
  • python hash每次调用结果不同的原因

    python hash每次调用结果不同的原因

    这篇文章主要介绍了python hash每次调用结果不同的原因,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2019-11-11

最新评论