Fly-AI競(jìng)賽服務(wù)平臺(tái) flyai.com

在開(kāi)始學(xué)習(xí)之前推薦大家可以多在FlyAI競(jìng)賽服務(wù)平臺(tái)多參加訓(xùn)練和競(jìng)賽，以此來(lái)提升自己的能力。FlyAI是為AI開(kāi)發(fā)者提供數(shù)據(jù)競(jìng)賽并支持GPU離線(xiàn)訓(xùn)練的一站式服務(wù)平臺(tái)。每周免費(fèi)提供項(xiàng)目開(kāi)源算法樣例，支持算法能力變現(xiàn)以及快速的迭代算法模型。

如果需要處理的原圖及代碼，請(qǐng)移步小編的GitHub地址

傳送門(mén)：請(qǐng)點(diǎn)擊我
　　如果點(diǎn)擊有誤：https://github.com/LeBron-Jian/ComputerVisionPractice

　　形態(tài)學(xué)操作簡(jiǎn)單來(lái)說(shuō)，就是改變物體的形狀，下面學(xué)習(xí)一下，首先本文的目錄如下：

• 1，定義結(jié)構(gòu)元素
• 2，腐蝕和膨脹
• 3，開(kāi)運(yùn)算和閉運(yùn)算
• 4，禮帽/頂帽，黑帽算法
• 5，梯度運(yùn)算
• 6，形態(tài)學(xué)運(yùn)算 檢測(cè)邊和角點(diǎn)（1，檢測(cè)邊緣 ； 2，檢測(cè)拐角）

1，定義結(jié)構(gòu)元素

　　形態(tài)學(xué)操作的原理：在特殊領(lǐng)域運(yùn)算形式——結(jié)構(gòu)元素（Structure Element），在每個(gè)像素位置上與二值圖像對(duì)應(yīng)的區(qū)域進(jìn)行特定的邏輯運(yùn)算。運(yùn)算結(jié)構(gòu)是輸出圖像的相應(yīng)像素。運(yùn)算效果取決于結(jié)構(gòu)元素大小內(nèi)容以及邏輯運(yùn)算性質(zhì)。

　　結(jié)構(gòu)元素：膨脹和腐蝕操作的最基本組成部分，用于測(cè)試輸出圖像，通常要比待處理的圖像小很多，二維平面結(jié)構(gòu)元素由一個(gè)數(shù)值為0或1的矩陣組成。結(jié)構(gòu)元素的原點(diǎn)指定了圖像中需要處理的像素范圍，結(jié)構(gòu)元素中數(shù)值為1的點(diǎn)決定結(jié)構(gòu)元素的領(lǐng)域像素進(jìn)行膨脹或腐蝕操作時(shí)是否需要參與計(jì)算。

　　形態(tài)學(xué)處理的核心就是定義結(jié)構(gòu)元素，在OpenCV-Python中，可以使用其自帶的 getStructuringElement 函數(shù)，也可以直接使用 Numpy 的 ndarray 來(lái)定義一個(gè)結(jié)構(gòu)元素，形象圖如下：

　　下面代碼為上圖的十字形，代碼如下：

#_*_coding:utf-8_*_import cv2import numpy as npdef show_element():element_cross = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))print(element_cross)element_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))print(element_ellipse)element_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))print(element_rect)'''[[0 0 1 0 0][0 0 1 0 0][1 1 1 1 1][0 0 1 0 0][0 0 1 0 0]][[0 0 1 0 0][1 1 1 1 1][1 1 1 1 1][1 1 1 1 1][0 0 1 0 0]][[1 1 1 1 1][1 1 1 1 1][1 1 1 1 1][1 1 1 1 1][1 1 1 1 1]]'''def define_cross_structure():NpKernel = np.uint8(np.zeros((5, 5)))for i in range(5):NpKernel[2, i] = 1NpKernel[i, 2] = 1print("NpKernel", NpKernel)'''NpKernel [[0 0 1 0 0][0 0 1 0 0][1 1 1 1 1][0 0 1 0 0][0 0 1 0 0]]'''

　　上面我們自定義了一個(gè)結(jié)構(gòu)元素 kernel，先聲明一個(gè)矩陣，然后對(duì)其進(jìn)行賦值，這種方法靈活但是略顯復(fù)雜。OpenCV提供了一個(gè)函數(shù) 也就是上面展示的，可以獲取常用結(jié)構(gòu)元素的性質(zhì)：矩形（包括線(xiàn)形），橢圓（包括圓形）以及十字形。下面具體學(xué)習(xí)一下此方法

1.1 定義一些基本符號(hào)和關(guān)系

1，元素

　　設(shè)有一幅圖像X，若點(diǎn) a 在 X 的區(qū)域以?xún)?nèi)，則稱(chēng) a 為 X 的元素，記做 a 屬于 X，如圖 6.1所示。

2，B包含于X

　　設(shè)有兩幅圖像 B， X。對(duì)于 B中所有的元素 ai， 都有 ai 屬于 X，則稱(chēng)B包含于 （included in）X ，記做 B 屬于 X，如圖6.2所示。

3，B擊中 X

　　設(shè)有兩幅圖像B， X。若存在這一一個(gè)點(diǎn)，它即是B的元素，又是 X 的元素，則稱(chēng) B 擊中（hit）X，記做 B ↑ X，如圖6.3所示。

4，B不擊中 X

　　設(shè)有兩幅圖像B， X。若不存在任何一個(gè)點(diǎn)，它既是B的元素，又是 X的元素，即 B和 X的交集是空，則稱(chēng) B 不擊中（miss）X，記做 B ∩ X = Φ；其中 ∩ 是集合運(yùn)算相交的符號(hào)，Φ 表示空集，如圖6.4所示。

5，補(bǔ)集

　　設(shè)有一幅圖像 X，所有 X 區(qū)域以外的點(diǎn)構(gòu)成的集合稱(chēng)為 X 的補(bǔ)集，記做 Xc，如下圖所示。顯然，如果B ∩ X = Φ，則 B 在 X的補(bǔ)集內(nèi)，即 B 屬于 Xc。

6，結(jié)構(gòu)元素

　　設(shè)有兩幅圖像B，X。若X是被處理的對(duì)象，而B(niǎo)是用來(lái)處理X的，則稱(chēng)B為結(jié)構(gòu)元素（structure element），又被形象的稱(chēng)作刷子。結(jié)構(gòu)元素通常都是一些比較小的圖像。

7，對(duì)稱(chēng)集

　　設(shè)有一幅圖像B，將B中所有元素的坐標(biāo)取反，即令（x, y）變?yōu)?#xff08;-x, -y），所有這些點(diǎn)構(gòu)成的新的集合稱(chēng)為B的對(duì)稱(chēng)集，記做 Bv，如下圖6.6所示。

8，平移

　　設(shè)有一幅圖像B，有一個(gè)點(diǎn)a(x0, y0)，將B平移a后的結(jié)果是，把B中所有元素的橫坐標(biāo)加 x0，縱坐標(biāo)加 y0，即令（x, y）變成（x + x0, y+y0），所有這些點(diǎn)構(gòu)成新的集合稱(chēng)為B的平移，記做 Ba，如圖6.7所示。

1.2 getStructuringElement 方法

　　getStructuringElement 是OpenCV提供的一個(gè)函數(shù)，getStructuringElement 的內(nèi)部并沒(méi)有什么優(yōu)化實(shí)現(xiàn)，只是封裝了一些功能，其原理同樣是聲明了一個(gè)矩陣，然后求形狀，指定矩陣的值。而我們只需要直接調(diào)用即可。

　　函數(shù)原型如下：

def getStructuringElement(shape, ksize, anchor=None):

　　參數(shù)的意思：

• shape 表示內(nèi)核的形狀，有三種形狀可以選擇：

　　　　——十字形：cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))

　　　　——橢圓：cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))

　　　　——矩形：cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

• ksize 表示內(nèi)核的尺寸（n, n）
• anchor 錨點(diǎn)的位置

　　此函數(shù)最終會(huì)返回指定形狀和尺寸的結(jié)構(gòu)元素。

　　下面代碼實(shí)現(xiàn)一下，這里同時(shí)展示一下自己寫(xiě)的：

kernel1 = np.ones((3, 3), np.uint8)kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))print(kernel1)print(kernel2)print(kernel1 == kernel2)'''[[1 1 1][1 1 1][1 1 1]][[1 1 1][1 1 1][1 1 1]][[ True True True][ True True True][ True True True]]'''

　　這里其實(shí)再證明一次。

2，腐蝕和膨脹

　　圖像的膨脹（Dilation）和腐蝕（Erosion）是兩種基本的形態(tài)學(xué)運(yùn)算，主要用來(lái)尋找圖像中的極大區(qū)域和極小區(qū)域。其中膨脹類(lèi)似于“領(lǐng)域擴(kuò)張”，將圖像中的高亮區(qū)域或白色部分進(jìn)行擴(kuò)張，其運(yùn)行結(jié)果圖比原圖的高亮區(qū)域更大；腐蝕類(lèi)似于“領(lǐng)域被蠶食”，將圖像中的高亮區(qū)域或白色部分進(jìn)行縮減細(xì)化，其運(yùn)行結(jié)果圖比原圖的高亮區(qū)域更小。

　　形態(tài)學(xué)各種功能實(shí)現(xiàn)，都?xì)w結(jié)為腐蝕 erode 和 膨脹 dilate 的組合，形象理解一下就是腐蝕等于變瘦，膨脹等于變胖，所以下面學(xué)習(xí)一下腐蝕和膨脹。

注意：腐蝕和膨脹主要針對(duì)二值化圖像的白色部分。

2.1 腐蝕

　　腐蝕就是把結(jié)構(gòu)元素B平移a后得到Ba，若Ba包含于X，我們記下這個(gè)a點(diǎn)，所有滿(mǎn)足上述條件的 a點(diǎn)組成的集合稱(chēng)為X被B腐蝕（Erosion）的結(jié)果。

　　上圖 X 是被處理的對(duì)象，B是結(jié)構(gòu)元素，不難知道，對(duì)于任意一個(gè)在陰影部分的點(diǎn) a，Ba包含于X，所以 X被B腐蝕的結(jié)果就是那個(gè)陰影部分，陰影部分在 X的范圍之內(nèi)，且比 X小，就像 X 被剝掉了一層似的，這0就是為什么叫腐蝕的原因。

　　腐蝕的運(yùn)算符為 “ - ”，其定義如下：

　　該公式表示圖像A用卷積模板B來(lái)進(jìn)行腐蝕處理，通過(guò)模板B與圖像A進(jìn)行卷積計(jì)算，得到B覆蓋區(qū)域的像素點(diǎn)最小值，并用這個(gè)最小值來(lái)替代參考點(diǎn)的像素值。如圖所示，將左邊的原始圖像A腐蝕處理為右邊的效果圖A-B。

腐蝕：腐蝕會(huì)把物體的邊界腐蝕掉，卷積核沿著圖像滑動(dòng)，如果卷積核對(duì)應(yīng)的原圖的所有像素值為1，那么中心元素就保持原來(lái)的值，否則變?yōu)榱恪Ｖ饕獞?yīng)用在去除白噪聲，也可以斷開(kāi)連在一起的物體。

　　在原圖的每一個(gè)區(qū)域中取最小值，由于是二值化圖像，只要有一個(gè)點(diǎn)為0，則為0，來(lái)達(dá)到瘦身的目的。

腐蝕的作用：

• 1，對(duì)象大小減少1個(gè)像素（3*3）
• 2，平滑對(duì)象邊緣
• 3，弱化或者分割圖像之間的半島型連接

2.2 膨脹（Dilate）

　　膨脹可以看做是腐蝕的對(duì)偶運(yùn)算，其定義是：把結(jié)構(gòu)元素B平移 a 后得到 Ba，若Ba擊中X，我們記下這個(gè) a 點(diǎn)。所有滿(mǎn)足上述條件的 a點(diǎn)組成的集合稱(chēng)為 X被B膨脹的結(jié)果。

　　膨脹的方法是：拿B的中心點(diǎn)和X上的點(diǎn)及X周?chē)狞c(diǎn)一個(gè)一個(gè)的對(duì)，如果B上有一個(gè)點(diǎn)落在X的范圍內(nèi)，則該點(diǎn)為黑，可以看出X的范圍就像X膨脹一圈似的。

　　圖像膨脹的運(yùn)算符是“⊕”，其定義如下：

　　這個(gè)公式表示用B來(lái)對(duì)圖像A進(jìn)行膨脹處理，其中B是一個(gè)卷積模板或卷積核，其形狀可以為正方形或圓形，通過(guò)模板B與圖像A進(jìn)行卷及計(jì)算，掃描圖像中的每一個(gè)像素點(diǎn)，用模板元素與二值圖像元素做“與”運(yùn)算，如果都為0，那么目標(biāo)像素點(diǎn)為0，否則為1。從而計(jì)算B覆蓋區(qū)域的像素點(diǎn)最大值，并用該值替換參考點(diǎn)的像素值實(shí)現(xiàn)膨脹。下圖是將左邊的原始圖像A膨脹處理為右邊的效果圖 A⊕B。

膨脹：卷積核所對(duì)應(yīng)的原圖像的像素值只要有一個(gè)是1，中心像素值就是1.一般在除噪聲，先腐蝕再膨脹，因?yàn)楦g在去除白噪聲的時(shí)候也會(huì)使圖像縮小，所以我們之后要進(jìn)行膨脹。當(dāng)然也可以用來(lái)將兩者物體分開(kāi)。

膨脹的作用：

• 1，對(duì)象大小增加一個(gè)像素 （3*3）
• 2，平滑對(duì)象邊緣
• 3，減少或者填充對(duì)象之間的距離

2.3 代碼展示

　　代碼如下：

import cv2import numpy as npdef erode_image(img_path):origin_img = cv2.imread(img_path)gray_img = cv2.cvtColor(origin_img, cv2.COLOR_BGR2GRAY)# OpenCV定義的結(jié)構(gòu)元素kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# 腐蝕圖像eroded = cv2.erode(gray_img, kernel)# 顯示腐蝕后的圖像cv2.imshow('Origin', origin_img)cv2.imshow('Erode', eroded)cv2.waitKey(0)cv2.destroyAllWindows()def dilate_image(img_path):origin_img = cv2.imread(img_path)gray_img = cv2.cvtColor(origin_img, cv2.COLOR_BGR2GRAY)# OpenCV定義的結(jié)構(gòu)元素kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# 膨脹圖像dilated = cv2.dilate(gray_img, kernel)# 顯示腐蝕后的圖像cv2.imshow('Dilate', dilated)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':img_path = 'origin.jpg'erode_image(img_path)dilate_image(img_path)

　　如上所示，腐蝕和膨脹的處理很簡(jiǎn)單，只需設(shè)置好結(jié)構(gòu)元素，然后分別調(diào)用 cv2.erode() 和 cv2.dilate()函數(shù)，其中第一個(gè)參數(shù)為需要處理的圖像，第二個(gè)是結(jié)構(gòu)元素，返回處理好的圖像。

　　下圖從左到右依次是 原圖，腐蝕，膨脹（我們可以看出腐蝕是將線(xiàn)條變瘦，膨脹是變胖）：

2.4 腐蝕和膨脹的知識(shí)點(diǎn)補(bǔ)充

　　1，可以看做膨脹是將白色區(qū)域擴(kuò)大，腐蝕是將黑色區(qū)域擴(kuò)大。

　　2，可以不進(jìn)行灰度處理，對(duì)彩色圖像進(jìn)行處理

腐蝕cv2.erode(src, # 輸入圖像kernel, # 卷積核dst=None,anchor=None,iterations=None, # 迭代次數(shù)，默認(rèn)1borderType=None,borderValue=None)膨脹cv2.dilate(src, # 輸入圖像kernel, # 卷積核dst=None,anchor=None,iterations=None, # 迭代次數(shù)，默認(rèn)1borderType=None,borderValue=None)

3，開(kāi)運(yùn)算和閉運(yùn)算

　　開(kāi)運(yùn)算和閉運(yùn)算就是將腐蝕和膨脹按照一定的次序進(jìn)行處理。但是這兩者并不是可逆的，即先開(kāi)后閉并不能得到原來(lái)的圖像。

　　為了獲取圖像中的主要對(duì)象：對(duì)一幅二值圖連續(xù)使用閉運(yùn)算和開(kāi)運(yùn)算，或者消除圖像中的噪聲，也可以對(duì)圖像先用開(kāi)運(yùn)算后用閉運(yùn)算，不過(guò)這樣也會(huì)消除一些破碎的對(duì)象。

• 開(kāi)運(yùn)算：先腐蝕后膨脹，用于移除由圖像噪聲形成的斑點(diǎn)
• 閉運(yùn)算：先膨脹后腐蝕，用來(lái)連接被誤分為許多小塊的對(duì)象

3.1 開(kāi)運(yùn)算

　　開(kāi)運(yùn)算 = 先腐蝕運(yùn)算，再膨脹運(yùn)算（看上去把細(xì)微連在一起的兩塊目標(biāo)分開(kāi)了）

　　開(kāi)運(yùn)算的效果圖如下圖所示：

　　開(kāi)運(yùn)算總結(jié)：

• （1）開(kāi)運(yùn)算能夠除去孤立的小點(diǎn)，毛刺和小橋，而總的位置和形狀不變。
• （2）開(kāi)運(yùn)算是一個(gè)基于幾何運(yùn)算的濾波器
• （3）結(jié)構(gòu)元素大小的不同將導(dǎo)致濾波效果的不同
• （4）不同的結(jié)構(gòu)元素的選擇導(dǎo)致了不同的分割，即提取出不同的特征。

3.2 閉運(yùn)算

　　閉運(yùn)算=先膨脹運(yùn)算，再腐蝕運(yùn)算（看上去將兩個(gè)細(xì)微連接的圖封閉在一起）

　　閉運(yùn)算的效果如下圖所示：

　　閉運(yùn)算總結(jié)：

• （1）閉運(yùn)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。
• （2）閉運(yùn)算是通過(guò)填充圖像的凹角來(lái)濾波圖像的。
• （3）結(jié)構(gòu)元素大小的不同將導(dǎo)致濾波效果的不同。
• （4）不同結(jié)構(gòu)元素的選擇導(dǎo)致了不同的分割。

　　代碼如下：

import cv2import numpy as npdef Open_operation(img_path):origin_img = cv2.imread(img_path)gray_img = cv2.cvtColor(origin_img, cv2.COLOR_BGR2GRAY)# OpenCV定義的結(jié)構(gòu)元素kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 開(kāi)運(yùn)算open = cv2.morphologyEx(gray_img, cv2.MORPH_OPEN, kernel)# 顯示腐蝕后的圖像cv2.imshow('Open', open)cv2.waitKey(0)cv2.destroyAllWindows()def Closed_operation(img_path):origin_img = cv2.imread(img_path)gray_img = cv2.cvtColor(origin_img, cv2.COLOR_BGR2GRAY)# OpenCV定義的結(jié)構(gòu)元素kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 閉運(yùn)算closed = cv2.morphologyEx(gray_img, cv2.MORPH_CLOSE, kernel)# 顯示腐蝕后的圖像cv2.imshow('Closed', closed)cv2.waitKey(0)cv2.destroyAllWindows()def show_origin(origin_path):# img = cv2.imread(origin_path, )# 灰度化img = cv2.imread(origin_path, 0)cv2.imshow('origin', img)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':# 此圖為加了高斯噪聲的圖片img_path = 'butterfly_Gaussian.jpg'show_origin(img_path)Closed_operation(img_path)Open_operation(img_path)import cv2import numpy as npdef Open_operation(img_path):origin_img = cv2.imread(img_path)gray_img = cv2.cvtColor(origin_img, cv2.COLOR_BGR2GRAY)# OpenCV定義的結(jié)構(gòu)元素kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 開(kāi)運(yùn)算open = cv2.morphologyEx(gray_img, cv2.MORPH_OPEN, kernel)# 顯示腐蝕后的圖像cv2.imshow('Open', open)cv2.waitKey(0)cv2.destroyAllWindows()def Closed_operation(img_path):origin_img = cv2.imread(img_path)gray_img = cv2.cvtColor(origin_img, cv2.COLOR_BGR2GRAY)# OpenCV定義的結(jié)構(gòu)元素kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 閉運(yùn)算closed = cv2.morphologyEx(gray_img, cv2.MORPH_CLOSE, kernel)# 顯示腐蝕后的圖像cv2.imshow('Closed', closed)cv2.waitKey(0)cv2.destroyAllWindows()def show_origin(origin_path):# img = cv2.imread(origin_path, )# 灰度化img = cv2.imread(origin_path, 0)cv2.imshow('origin', img)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':# 此圖為加了高斯噪聲的圖片img_path = 'butterfly_Gaussian.jpg'show_origin(img_path)Closed_operation(img_path)Open_operation(img_path)

　　效果如下：（分布是原圖，開(kāi)運(yùn)算的圖，閉運(yùn)算的圖）

　　閉運(yùn)算用來(lái)連接被誤分為許多小塊的對(duì)象，而開(kāi)運(yùn)算用于移除由圖像噪聲形成的斑點(diǎn)。因此，某些情況下可以連續(xù)運(yùn)用這兩種運(yùn)算。如對(duì)一幅二值圖連續(xù)使用閉運(yùn)算和開(kāi)運(yùn)算，將獲得圖像中的主要讀寫(xiě)。同樣，如果想消除圖像中噪聲（即圖像中的“小點(diǎn)”），也可以對(duì)圖像先用開(kāi)運(yùn)算后用閉運(yùn)算，不過(guò)這樣也會(huì)消除一些破碎的對(duì)象。

3.3 開(kāi)運(yùn)算和閉運(yùn)算的知識(shí)點(diǎn)補(bǔ)充

　　這里主要補(bǔ)充函數(shù)原型

開(kāi)運(yùn)算圖像開(kāi)運(yùn)算主要使用的函數(shù)morphologyEx，它是形態(tài)學(xué)擴(kuò)展的一組函數(shù)，其參數(shù)cv2.MORPH_OPEN對(duì)應(yīng)開(kāi)運(yùn)算。其原型如下：dst = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)參數(shù)dst表示處理的結(jié)果，src表示原圖像，cv2.MORPH_OPEN表示開(kāi)運(yùn)算，kernel表示卷積核閉運(yùn)算圖像閉運(yùn)算主要使用的函數(shù)morphologyEx，其原型如下：dst = cv2.morphologyEx(src, cv2.MORPH_CLOSE, kernel)參數(shù)dst表示處理的結(jié)果，src表示原圖像， cv2.MORPH_CLOSE表示閉運(yùn)算，kernel表示卷積核

4，禮帽/頂帽，黑帽算法

　　禮帽 ：原始圖像與其進(jìn)行開(kāi)運(yùn)算后的圖像進(jìn)行一個(gè)差

　　黑帽：原始圖像與其閉運(yùn)算后的圖像進(jìn)行一個(gè)差

　　禮帽運(yùn)算 = 原始圖像 - 開(kāi)運(yùn)算

　　黑帽運(yùn)算 = 閉運(yùn)算 - 原始圖像

　　代碼如下：

import cv2def hat_algorithm(img_path):original_img0 = cv2.imread(img_path)original_img = cv2.imread(img_path, 0)kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) # 定義矩形結(jié)構(gòu)元素TOPHAT_img = cv2.morphologyEx(original_img, cv2.MORPH_TOPHAT, kernel) # 頂帽運(yùn)算BLACKHAT_img = cv2.morphologyEx(original_img, cv2.MORPH_BLACKHAT, kernel) # 黒帽運(yùn)算# 顯示圖像cv2.imshow("original_img0", original_img0)cv2.imshow("original_img", original_img)cv2.imshow("TOPHAT_img", TOPHAT_img)cv2.imshow("BLACKHAT_img", BLACKHAT_img)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':img_path = 'butterfly_Gaussian.jpg'hat_algorithm(img_path)

　　效果如下：（依次是原圖，灰度圖圖片（兩個(gè)類(lèi)似，是因?yàn)槲覍⒃瓐D做了灰度化高斯處理，所以灰度化之后和原圖類(lèi)似），頂帽圖片，黑帽圖片）

　　該算法可以用于圖像識(shí)別的預(yù)處理，用于圖像二值化后取出孤立點(diǎn)，代碼如下：

import cv2def deal_isolated(img_path):original_img = cv2.imread(img_path, 0)gray_img = cv2.resize(original_img, None, fx=0.8, fy=0.8,interpolation=cv2.INTER_CUBIC) # 圖形太大了縮小一點(diǎn)kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) # 定義矩形結(jié)構(gòu)元素(核大小為3效果好)TOPHAT_img = cv2.morphologyEx(gray_img, cv2.MORPH_TOPHAT, kernel) # 頂帽運(yùn)算BLACKHAT_img = cv2.morphologyEx(gray_img, cv2.MORPH_BLACKHAT, kernel) # 黒帽運(yùn)算bitwiseXor_gray = cv2.bitwise_xor(gray_img, TOPHAT_img)# 顯示如下腐蝕后的圖像cv2.imshow("gray_img", gray_img)cv2.imshow("TOPHAT_img", TOPHAT_img)cv2.imshow("BLACKHAT_img", BLACKHAT_img)cv2.imshow("bitwiseXor_gray", bitwiseXor_gray)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':img_path = 'lena.jpg'deal_isolated(img_path)

　　　　可以看出，最后效果更加明顯了一些：

5，梯度運(yùn)算

梯度 = 膨脹 - 腐蝕

　　下面看一個(gè)示例：

import cv2import numpy as npimport matplotlib.pyplot as pltimg = cv2.imread('circle.jpg')kernel = np.ones((7, 7), np.uint8)# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))erosion = cv2.erode(img, kernel, iterations = 5)dilation = cv2.dilate(img, kernel, iterations = 3)gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)result = [img, erosion, dilation, gradient]titles = ['origin img', 'erosion img', 'dilate img', 'gradient img']for i in range(4):plt.subplot(2, 2, i+1), plt.imshow(result[i])plt.title(titles[i])plt.xticks([]), plt.yticks([])plt.show()

　　效果如下：

6，用形態(tài)學(xué)運(yùn)算檢測(cè)邊和角點(diǎn)

　　這里通過(guò)一個(gè)較復(fù)雜的例子學(xué)習(xí)如何用形態(tài)學(xué)算子檢測(cè)圖像中的邊緣和拐角（這里只做形態(tài)學(xué)處理例子，實(shí)際使用請(qǐng)參考Canny和Harris等算法：請(qǐng)參考博文：深入學(xué)習(xí)OpenCV中幾種圖像邊緣檢測(cè)算子）

6.1 檢測(cè)邊緣

　　形態(tài)學(xué)檢測(cè)邊緣的原理很簡(jiǎn)單，在膨脹時(shí)，圖像中的物體會(huì)向周?chē)皵U(kuò)張”；腐蝕時(shí)，圖像的額物體會(huì)“收縮”。比較兩幅圖像，由于其變化的區(qū)域只發(fā)生在邊緣。所以這時(shí)將這兩幅圖像相減，得到的就是圖像中的邊緣。這里用的依然是參考資料《Opencv2 Computer Vision Application Programming Cookbook》中相關(guān)章節(jié)的圖片：

　　代碼如下：

# coding=utf-8import cv2import numpydef detection_edge(img_path):image = cv2.imread(img_path, 0)# 構(gòu)造一個(gè)3×3的結(jié)構(gòu)元素element = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))dilate = cv2.dilate(image, element)erode = cv2.erode(image, element)# 將兩幅圖像相減獲得邊，第一個(gè)參數(shù)是膨脹后的圖像，第二個(gè)參數(shù)是腐蝕后的圖像# cv2.absdiff參數(shù)：(膨脹后的圖像，腐蝕后的圖像)result = cv2.absdiff(dilate, erode)# 上面得到的結(jié)果是灰度圖，將其二值化以便更清楚的觀(guān)察結(jié)果retval, result = cv2.threshold(result, 40, 255, cv2.THRESH_BINARY)# 反色，即對(duì)二值圖每個(gè)像素取反result = cv2.bitwise_not(result)# 顯示圖像cv2.imshow("result", result)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':img_path = "building.jpg"detection_edge(img_path)

　　結(jié)果如下：

6.2 檢測(cè)角點(diǎn)（拐角）

　　與邊緣檢測(cè)不同，拐角的檢測(cè)過(guò)程稍稍有些復(fù)雜。但是原理相同，所不同的是先用十字形的結(jié)構(gòu)元素膨脹像素，這種情況下只會(huì)在邊緣處“擴(kuò)張”，角點(diǎn)不發(fā)生變化。接著用菱形的結(jié)構(gòu)元素腐蝕原圖像，導(dǎo)致只有在拐角處才會(huì)“收縮”，而直線(xiàn)邊緣都未發(fā)生變化。

　　第二步是用X行膨脹原圖像，焦點(diǎn)膨脹的比邊要多。這樣第二次用方塊腐蝕時(shí)，角點(diǎn)恢復(fù)原狀，而邊要腐蝕的更多。所以當(dāng)兩幅圖像相減時(shí)，只保留了拐角處，示意圖如下（示意圖來(lái)自參考資料《Opencv2 Computer Vision Application Programming Cookbook》）：

　　代碼如下：

# coding=utf-8import cv2import numpydef detection_inflexion(img_path):image = cv2.imread(img_path, 0)origin = cv2.imread(img_path)# 構(gòu)造5×5的結(jié)構(gòu)元素，分別為十字形、菱形、方形和X型cross = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))# 菱形結(jié)構(gòu)元素的定義稍麻煩一些diamond = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))diamond[0, 0] = 0diamond[0, 1] = 0diamond[1, 0] = 0diamond[4, 4] = 0diamond[4, 3] = 0diamond[3, 4] = 0diamond[4, 0] = 0diamond[4, 1] = 0diamond[3, 0] = 0diamond[0, 3] = 0diamond[0, 4] = 0diamond[1, 4] = 0square = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))x = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))# 使用cross膨脹圖像dilate_cross_img = cv2.dilate(image, cross)# 使用菱形腐蝕圖像erode_diamond_img = cv2.erode(dilate_cross_img, diamond)# 使用X膨脹原圖像dilate_x_img = cv2.dilate(image, x)# 使用方形腐蝕圖像erode_square_img = cv2.erode(dilate_x_img, square)# result = result1.copy()# 將兩幅閉運(yùn)算的圖像相減獲得角result = cv2.absdiff(erode_square_img, erode_diamond_img)# 使用閾值獲得二值圖retval, result = cv2.threshold(result, 40, 255, cv2.THRESH_BINARY)# 在原圖上用半徑為5的圓圈將點(diǎn)標(biāo)出。for j in range(result.size):y = int(j / result.shape[0])x = int(j % result.shape[0])if result[x, y] == 255:cv2.circle(image, (y, x), 5, (255, 0, 0))cv2.imshow("Result", image)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':img_path = "building.jpg"detection_inflexion(img_path)

　　通過(guò)上面的代碼就能檢測(cè)出圖像的拐角并標(biāo)出來(lái)，效果如下：

　　當(dāng)然這個(gè)只是一個(gè)示例，效果不是很好。

參考文獻(xiàn)：https://www.cnblogs.com/ssyfj/p/9276999.htmlhttps://blog.csdn.net/wsp_1138886114/article/details/82917661https://blog.csdn.net/JohinieLi/article/details/81041276https://blog.csdn.net/hanshanbuleng/article/details/80657148
1、《Opencv2 Computer Vision Application Programming Cookbook》
2、《OpenCV References Manule》
最初的來(lái)源： https://blog.csdn.net/sunny2038/article/details/9137759https://blog.csdn.net/gbxvip/article/details/50844007

---

更多精彩內(nèi)容請(qǐng)?jiān)L問(wèn)FlyAI-AI競(jìng)賽服務(wù)平臺(tái)；為AI開(kāi)發(fā)者提供數(shù)據(jù)競(jìng)賽并支持GPU離線(xiàn)訓(xùn)練的一站式服務(wù)平臺(tái)；每周免費(fèi)提供項(xiàng)目開(kāi)源算法樣例，支持算法能力變現(xiàn)以及快速的迭代算法模型。

挑戰(zhàn)者，都在FlyAI！！！

總結(jié)

以上是生活随笔為你收集整理的开运算和闭运算_OpenCV计算机视觉学习（5）——形态学处理（腐蚀膨胀，开闭运算，礼帽黑帽，边缘检测）...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。