OpenCV-Python實現通用形態學函數

Posted on by

通用形態學函數

上篇博文，我們介紹瞭形態學的基礎腐蝕與膨脹操作，而將腐蝕與膨脹結合起來進行組合，我們就能實現開運算，閉運算等復雜的形態學運算。

在OpenCV中，它給我們提供的通用形態學函數為cv2.morphologyEx()，其完整定義如下：

def morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):

這些參數基本前面都介紹過，不過有一點需要說明，src原始圖像必須是CV_8U，CV_16U，CV_16S，CV_32F，CV_64F中的一種。

當然，這裡面還有一個陌生的參數就是op，它就是各種形態學的類別，具體類別如表所示：

類型 說明 意義 操作
cv2.MORPH_ERODE 腐蝕 腐蝕 erode()
cv2.MORPH_DILATE 膨脹 膨脹 dilate()
cv2.MORPH_OPEN 開運算 先腐蝕後膨脹 dilate(erode())
cv2.MORPH_CLOSE 閉運算 先膨脹後腐蝕 erode(dilate())
cv2.MORPH_GRADIENT 形態學梯度運算 膨脹圖減腐蝕圖 dilate()-erode()
cv2.MORPH_TOPHAT 頂帽運算 原始圖像減開運算所得圖像 src-open()
cv2.MORPH_BLACKHAT 黑帽運算 閉運算所得圖像減原始圖像 close()-src
cv2.MORPH_HITMISS 擊中擊不中 前景背景腐蝕運算的交集。僅僅支持CV8UC1二進制圖像 intersection(erode(src),erode(src1))

開運算

如上表所示，開運算是將原圖像腐蝕，再對其進行膨脹操作。主要用於去噪，計數等。去噪我們已經通過上面的腐蝕操作就可以完成，下面我們來實現有趣的計數操作。

import cv2
import numpy as np

img = cv2.imread("open.jpg",cv2.IMREAD_UNCHANGED)
kernel = np.ones((9,9), np.float32)
result = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel,iterations=5)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之後，我們能將不同區域劃分開來，效果如下：

開運算

閉運算

閉運算是先膨脹後腐蝕的運算，它有助於關閉前景物體內部的小孔，或去除物體上的小黑點，還可以將不同的前景圖像進行連接。下面，我們就將上圖進行連接。

import cv2
import numpy as np

img = cv2.imread("close.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((10, 10), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=7)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之後，兩個方塊就連接為一個整體瞭，效果如下所示：

閉運算

形態學梯度運算

形態學梯度運算是用圖像膨脹後的圖像減去腐蝕圖像的運算，該操作可以獲取原始圖像中的前景圖像的邊緣。我們還是用上篇膨脹的圖來測試，代碼如下：

import cv2
import numpy as np

img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之後，我們的圖像就中空瞭，效果如下：

形態學梯度運算

頂帽運算

頂帽運算是用原始圖像減去其開運算圖像的操作。它能夠獲取圖像的噪聲信息，或者得到比原圖像的邊緣更亮的邊緣信息。也就是獲取上圖中的白色線條，具體代碼如下：

import cv2
import numpy as np

img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之後，效果如下：

頂帽運算

黑帽運算

黑帽運算是用閉運算圖像減去原始圖像的操作。它能夠獲取內部的小孔，或前景色中的小黑點，亦或者得到比原始圖像的邊緣更暗的邊緣部分。這裡，我們用前面的人物圖像，代碼如下：

import cv2
import numpy as np

img = cv2.imread("4.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之後，效果如下：

黑帽運算

結構元函數

前面我們介紹過，結構元可以自定義，也可以通過cv2.getStructuringElement()函數生成。這裡，我們來看看其完整的定義：

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

shape：形狀類型，取值如下表：

類型 意義
cv2.MORPH_RECT 矩形結構元，所有元素值為1
cv2.MORPH_CROSS 十字形結構元，對角線元素值為1
cv2.MORPH_ELLIPSE 橢圓形結構元素

ksize：結構元的大小

anchor：結構元的錨點位置，默認值（-1，1），是形狀的中心。隻有十字星型的形狀與錨點位置緊密聯系。在其他情況下，錨點位置僅用於形態學運算結果的調整。

下面，我們將這三種形狀類型都實現一遍，具體代碼如下：

import cv2

img = cv2.imread("open.jpg", cv2.IMREAD_UNCHANGED)
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(50,50))
kernel2 = cv2.getStructuringElement(cv2.MORPH_CROSS,(50,50))
kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(50,50))
result1 = cv2.dilate(img,kernel1)
result2 = cv2.dilate(img,kernel2)
result3 = cv2.dilate(img,kernel3)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()

運行之後，效果如下所示：

結構元函數

到此這篇關於OpenCV-Python實現通用形態學函數的文章就介紹到這瞭,更多相關OpenCV 通用形態學函數內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：