第七章形態學處理總結

Github地址
形態學處理主要對圖像處理，提取高亮區域的暗部，提取暗部區域的高光。

基礎構建結構元element：

• element = cv2.getStructuringElement(shape,ksize)
• shape: cv2.MORPH_RECT(矩形）,cv2.MORPH_ELLIPSEM(橢圓形),cv2.MORPH_CROSS(十字交叉形）

7.1_腐蝕：領域最小灰度做輸出灰度。圖像亮度降低。亮度區域減小。

• dst = cv2.erode(src,element,iterations迭代次數）

7.2_膨脹：領域最大灰度做輸出灰度。圖像亮度提高。亮度區域增加。

• dst = cv2.dilate(src,element,iterations)

7.3/7.4_開運算&閉運算&白頂帽&黑底帽&形態學梯度

• 開運算: erode * dilate，消除暗部高亮區域，不改變面積情況下平滑邊界

• 閉運算：dilate * erode，消除高光部分的暗部，多次迭代處理不改變面積情況平滑邊界

• 白頂帽：src - open，得到暗部被消除的高光

• 黑底帽：src - close,得到高光消除的暗部

• 形態學梯度：dilate - erode,邊緣檢測作用

• dst = cv2.morphologyEx(src,op,element)

  • MORPH_OPEN:開運算
  • MORPH_CLOSE:閉運算
  • MORPH_TOPHAT:頂帽運算
  • MORPH_BLACKHAT：底帽運算
  • MORPH_GRADIENT:梯度運算

7.3還介紹了OpenCV用調節條實時調節結構元半徑&迭代次數

7.1_腐蝕erode

本章形態學用來優化分割區域的形狀以達到更好的效果。

腐蝕：原理同中值平滑，但選取領域內最小值作為輸出灰度。總體亮度平均值會降低。

• erode(src,element[, dst[, anchor錨點[, iterations迭代次數[, borderType邊界擴充類型鏡像最好[, borderValue]]]]])

僅需要調節element結構元，與iterations迭代次數即可，其他默認

element為結構元，有三種形狀:cv2.MORPH_RECT(矩形）,cv2.MORPH_ELLIPSEM(橢圓形),cv2.MORPH_CROSS(十字交叉形）

• cv2.getStructuringElement(shape, ksize[, anchor])

#-*- coding:utf-8 -*- import cv2 import matplotlib.pyplot as plt I = cv2.imread("img2.jpg",0)#創建3*3, s3 = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3)) #腐蝕圖像，迭代次數默認為1 r3 = cv2.erode(I,s3) #邊界提取 e3 = I - r3#7*7尺寸結構元 s7 = cv2.getStructuringElement(cv2.MORPH_RECT,(7,7)) r7 = cv2.erode(I,s7) e7 = I - r7 #11*11尺寸結構元 s11 = cv2.getStructuringElement(cv2.MORPH_RECT,(11,11)) r11 = cv2.erode(I,s11) e11 = I - r11 #顯示圖像和腐蝕后結果,邊界提取效果 for i in range(7):titles = ["src","dst3","dst7","dst11","edge3","edge7","edge11"]images = [I,r3,r7,r11,e3,e7,e11]plt.subplot(2,4,i+1)plt.title(titles[i])plt.imshow(images[i]) plt.show

效果很好，隨著結構元尺寸增加，白色主體腐蝕越多，結構元形狀也形如馬賽克被凸顯出來。

7.2_膨脹dilate

膨脹與腐蝕相反，選擇領域最大灰度值作為輸出。輸出圖像亮度平均值上升，亮部主體尺寸變大。

• cv2.dilate(src, element[, dst[, anchor[, terations[, borderType[, borderValue]]]]])

#-*- coding:utf-8 -*- import cv2 import matplotlib.pyplot as plt I = cv2.imread("img2.jpg",0) cv2.imshow("I",I) #結構元半徑 r = 1 Max_R = 20 #顯示膨脹效果窗口 cv2.namedWindow("dilate",1) #創建回調函數 def nothing(*arg):pass #創建結構元半徑調整條 cv2.createTrackbar("r","dilate",r,Max_R,nothing) while True:#得到當前的r值r = cv2.getTrackbarPos('r','dilate')#創建結構元s = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(2*r+1,2*r+1))#若為（1,2*r+1），則只有垂直方向發生變化，水平方向不變#膨脹圖像d = cv2.dilate(I,s)#顯示膨脹效果cv2.imshow("dilate",d)ch = cv2.waitKey(5)#按下Esc退出if ch==27:break cv2.destroyAllWindows()#r=3不錯 plt打印一下吧 r1 = 3 s1 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(2*r1+1,2*r1+1)) d1 = cv2.dilate(I,s1) plt.subplot(1,2,1) plt.imshow(I) plt.subplot(1,2,2) plt.imshow(d1) plt.show()

7.3_開閉運算

通過將腐蝕與膨脹進行先后組合，也就是開，閉運算。

• 開運算：先腐蝕后膨脹，消除高亮細節，消除暗處的較亮區域。對較大物體可不改變面積情況下平滑邊界。

• 閉運算：先膨脹后腐蝕，填充亮處的黑色區域。同一個結構元，多次迭代處理可在不改變面積情況下平滑邊界。

cv2.morphologyEx(src,op,element[, dst[, anchor[, iterations[, borderType[,borderValue]]]]])
op:

• MORPH_OPEN:開運算
• MORPH_CLOSE:閉運算
• MORPH_TOPHAT:頂帽運算
• MORPH_BLACKHAT：底帽運算
• MORPH_GRADIENT:梯度運算

增加調節結構元半徑進度條與迭代次數進度條

開運算

#-*- coding:utf-8 -*- import sys import cv2 import matplotlib.pyplot as plt I_open = cv2.imread("open.jpg",0) cv2.imshow("I_open",I_open) #結構元半徑與迭代次數調節條 r,i=1,1 MAX_R,MAX_I = 20,20 cv2.namedWindow("morphology",1) def nothing(*arg):pass cv2.createTrackbar("r","morphology",r,MAX_R,nothing) cv2.createTrackbar("i","morphology",i,MAX_I,nothing) while True:r = cv2.getTrackbarPos("r","morphology")i = cv2.getTrackbarPos("i","morphology")s = cv2.getStructuringElement(cv2.MORPH_RECT,(2*r+1,2*r+1))#形態學處理d_open = cv2.morphologyEx(I_open,cv2.MORPH_OPEN,s,iterations=i)cv2.imshow("morphology",d_open)ch = cv2.waitKey(5)if ch ==27:break cv2.destroyAllWindows()#r=3,iterations=5不錯 plt.subplot(1,2,1) plt.imshow(I_open) plt.subplot(1,2,2) s = cv2.getStructuringElement(cv2.MORPH_RECT,(2*3+1,2*3+1)) d_open = cv2.morphologyEx(I_open,cv2.MORPH_OPEN,s,iterations=5) plt.imshow(d_open) plt.show()

開運算，暗處中間高亮被消除

#-*- coding:utf-8 -*- import sys import cv2 import matplotlib.pyplot as plt I_close = cv2.imread("open.jpg",0) cv2.imshow("I_close",I_close) #結構元半徑與迭代次數調節條 r,i=1,1 MAX_R,MAX_I = 20,20 cv2.namedWindow("morphology",1) def nothing(*arg):pass cv2.createTrackbar("r","morphology",r,MAX_R,nothing) cv2.createTrackbar("i","morphology",i,MAX_I,nothing) while True:r = cv2.getTrackbarPos("r","morphology")i = cv2.getTrackbarPos("i","morphology")s = cv2.getStructuringElement(cv2.MORPH_RECT,(2*r+1,2*r+1))#形態學處理d_close = cv2.morphologyEx(I_close,cv2.MORPH_CLOSE,s,iterations=i)cv2.imshow("morphology",d_close)ch = cv2.waitKey(5)if ch ==27:break cv2.destroyAllWindows()#r=5,i=3不錯，打印一下 plt.subplot(1,2,1) plt.imshow(I_close) plt.subplot(1,2,2) s = cv2.getStructuringElement(cv2.MORPH_RECT,(2*5+1,2*5+1)) d_close = cv2.morphologyEx(I_close,cv2.MORPH_CLOSE,s,iterations=3) plt.imshow(d_close) plt.show()

閉運算，高亮中間暗處被消除

7.4_其他形態學操作

其他形態學操作：

• 白頂帽變換（cv2.MORPH_TOPHAT）: 圖像減去開運算，得到被消除高亮區域。

• 黑底帽變換（cv2.MORPH_BLACKHAT）：圖像減去閉運算，得到被消除的暗部區域。

• 形態學梯度變換(cv2.MORPH_GRADIENT)：膨脹減去腐蝕，得到物體邊界。（邊緣檢測）

import cv2 import matplotlib.pyplot as plt I = cv2.imread("open.jpg",0) cv2.imshow("I",I)r,i = 1,1 MAX_R,MAX_I = 20,20 cv2.namedWindow("morphology",1) def nothing(*arg):pass cv2.createTrackbar("r","morphology",r,MAX_R,nothing) cv2.createTrackbar("i","morphology",i,MAX_I,nothing) while True:r = cv2.getTrackbarPos("r","morphology")i = cv2.getTrackbarPos("i","morphology")s = cv2.getStructuringElement(cv2.MORPH_RECT,(2*r+1,2*r+1))d_TOPHAT = cv2.morphologyEx(I,cv2.MORPH_TOPHAT,s,iterations=i)d_BLACKHAT = cv2.morphologyEx(I,cv2.MORPH_BLACKHAT,s,iterations=i)d_GRADIENT = cv2.morphologyEx(I,cv2.MORPH_GRADIENT,s,iterations=i)cv2.imshow("TOPHAT",d_TOPHAT)cv2.imshow("BLACKHAT",d_BLACKHAT)cv2.imshow("GRADIENT",d_GRADIENT)ch = cv2.waitKey(5)if ch == 27:break cv2.destroyAllWindows()#r=5,i=3時，頂帽，底帽效果出的好 s = cv2.getStructuringElement(cv2.MORPH_RECT,(2*5+1,2*5+1)) d_TOPHAT = cv2.morphologyEx(I,cv2.MORPH_TOPHAT,s,iterations=3) d_BLACKHAT = cv2.morphologyEx(I,cv2.MORPH_BLACKHAT,s,iterations=3) #r=1,i=1時，形態學梯度使邊緣出現明顯 d_GRADIENT = cv2.morphologyEx(I,cv2.MORPH_GRADIENT,cv2.getStructuringElement(cv2.MORPH_RECT,(2*1+1,2*1+1)),iterations=1) titles = ["I","TOPHAT","BLACKHAT","GRADIENT"] images = [I,d_TOPHAT,d_BLACKHAT,d_GRADIENT] for i in range(4):plt.subplot(2,2,i+1)plt.title(titles[i])plt.imshow(images[i]) plt.show()

白頂帽顯示暗部高亮，黑底部顯示高亮暗部。形態學梯度顯示邊緣檢測。

總結

以上是生活随笔為你收集整理的《OpenCV算法精解——基于Python与C++》第七章形态学处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。