python --opencv图像处理形态学(开运算、闭运算、梯度运算、顶帽运算、黑帽运算)

本文深入探讨了图像处理中的形态学操作，包括开运算、闭运算和梯度运算。开运算通过腐蚀后再膨胀去除图像噪声，闭运算通过膨胀后再腐蚀填补图像小孔。此外，还介绍了梯度运算如何获取图像轮廓。通过实例展示了使用OpenCV实现这些操作的过程，并比较了不同方法的效果。

引言

前面介绍了图像形态学的两种基础算法，图像腐蚀和图像膨胀，本篇接着介绍图像形态学中的开运算、闭运算以及梯度运算。

需要了解清楚图像的腐蚀与膨胀基础原理,不然真的没办法理解开运算和闭运算。

第一件事情还是给图像增加噪声，思路沿用之前加噪声的思路，使用 Numpy 给图片添加黑白两种噪声点，代码如下

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
img = cv.imread("demo.png", cv.IMREAD_UNCHANGED)
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
rows, cols, chn = source.shape

# 加噪声-白点噪声
for i in range(500):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    source[x, y, :] = 255

# 图像保存 白点噪声图像
cv.imwrite("demo_noise_white.jpg", source)
print("白点噪声添加完成")

# 重新读取图像
img1 = cv.imread("demo.png", cv.IMREAD_UNCHANGED)
source1 = cv.cvtColor(img1, cv.COLOR_BGR2RGB)

# 加噪声-黑点噪声
for i in range(1000):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    source1[x, y, :] = 0

# 图像保存 黑点噪声图像
cv.imwrite("demo_noise_black.jpg", source1)
print("黑点噪声添加完成")

# 显示结果
titles = ['White Img','Black Img']
images = [source, source1]

# matplotlib 绘图
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()

开运算

图像开运算实际上是一个组合运算，开运算是图像先进行腐蚀，再进行膨胀的运算。

图像被腐蚀后，去除了噪声，但是也压缩了图像；接着对腐蚀过的图像进行膨胀处理，使得刚才在腐蚀过程中被压缩的图像得以恢复原状。

下面是一个图像开运算的流程图：

开运算的一些特性：

• 开运算能够除去孤立的小点，毛刺和小桥，而总的位置和形状不便。
• 开运算是一个基于几何运算的滤波器。
• 结构元素大小的不同将导致滤波效果的不同。
• 不同的结构元素的选择导致了不同的分割，即提取出不同的特征。
• 我们先不管开运算 OpenCV 为我们提供的函数是什么，先使用前面介绍过的图像腐蚀与膨胀处理看下结果

案例:

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)

# 设置卷积核
kernel = np.ones((5, 5),np.uint8)

# 图像腐蚀
erode_img = cv.erode(source, kernel)

# 图像膨胀
dilate_result = cv.dilate(erode_img, kernel)

# 显示结果
titles = ['Source Img','Erode Img','Dilate Img']
images = [source, erode_img, dilate_result]

# matplotlib 绘图
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还是不错的。

接着看 OpenCV 为开运算提供的函数。

图像开运算主要使用到的函数是 morphologyEx() 它是形态学扩展的一组函数，而其中的 cv.MORPH_OPEN 对应的是开运算。

使用时语法如下：

dst = cv.morphologyEx(src, cv.MORPH_OPEN, kernel)

• src：原图形
• cv2.MORPH_OPEN：表示开运算
• kernel：卷积核

我们再使用 morphologyEx() 函数去重新实现下刚才的图像开运算，看下和之前的结果有啥区别：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)

# 设置卷积核
kernel = np.ones((5, 5),np.uint8)

#图像开运算
dst = cv.morphologyEx(source, cv.MORPH_OPEN, kernel)

# 显示结果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 绘图
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()

至少从肉眼的角度上看不出来和之前的方式有啥区别，实际上也没啥区别。

闭运算

与开运算相反的是闭运算，闭运算是图像先膨胀，后腐蚀，它有助于关闭前景物体内部的小孔，或物体上的小黑点。

先看下图像闭运算的流程图：

闭运算的一些特性：

• 闭运算能够填平小湖（即小孔），弥合小裂缝，而总的位置和形状不变。
• 闭运算是通过填充图像的凹角来滤波图像的。
• 结构元素大小的不同将导致滤波效果的不同。
• 不同结构元素的选择导致了不同的分割。

首先还是用 dilate() 和 erode() 函数实现一下图像闭运算，代码如下：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)

# 设置卷积核
kernel = np.ones((5, 5),np.uint8)

# 图像膨胀
dilate_result = cv.dilate(source, kernel)

# 图像腐蚀
erode_img = cv.erode(dilate_result, kernel)

# 显示结果
titles = ['Source Img','Dilate Img','Erode Img']
images = [source, dilate_result, erode_img]

# matplotlib 绘图
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()

如果想要使用形态学扩展的函数 morphologyEx() 则需要把里面的参数换成 MORPH_CLOSE ，同样，既然是形态学扩展函数，那么图像腐蚀和图像膨胀也有对应的参数：

• 图像腐蚀：MORPH_ERODE
• 图像膨胀：MORPH_DILATE

接着还是使用 MORPH_CLOSE 参数来实现下图像的闭运算：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)

# 设置卷积核
kernel = np.ones((5, 5),np.uint8)

# 图像闭运算
dst = cv.morphologyEx(source, cv.MORPH_CLOSE, kernel)

# 显示结果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 绘图
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()

梯度运算

图像形态学的梯度运算和前面的开运算闭运算是一样的，都是组合函数。

梯度运算实际上是图像膨胀减去图像腐蚀后的结果，最终我们得到的是一个类似于图像轮廓的图形。

梯度运算在 morphologyEx() 函数中的参数是 MORPH_GRADIENT ，示例代码如下：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
source = cv.imread("demo.png", cv.IMREAD_GRAYSCALE)

# 设置卷积核
kernel = np.ones((5, 5), np.uint8)

# 图像梯度运算
dst = cv.morphologyEx(source, cv.MORPH_GRADIENT, kernel)

# 显示结果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 绘图
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()

顶帽运算

图像处理顶帽运算是一个获取图像噪声的运算，它是由原始图像减去图像开运算而得到的结果：

顶帽运算 = 原始图像 - 开运算

图像顶帽运算同样是使用形态学扩展函数 morphologyEx() ，它的参数是 MORPH_TOPHAT ，示例如下：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)

# 设置卷积核
kernel = np.ones((5, 5), np.uint8)

# 开运算
open = cv.morphologyEx(source, cv.MORPH_OPEN, kernel)

# 顶帽运算
dst = cv.morphologyEx(source, cv.MORPH_TOPHAT, kernel)

# 显示结果
titles = ['Source Img','Open Img', 'Tophat Img']
images = [source, open, dst]

# matplotlib 绘图
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()

黑帽运算

图像处理顶帽运算是一个获取图像内部的小孔，或者前景色中的小黑点的运算。

它是由图像闭运算减去原始图像的操作：

黑帽运算 = 闭运算图像 - 原始图像

图像顶帽运算同样是使用形态学扩展函数 morphologyEx() ，它的参数是 MORPH_BLACKHAT ，示例如下：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 读取图片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)

# 设置卷积核
kernel = np.ones((5, 5), np.uint8)

# 黑帽运算
dst = cv.morphologyEx(source, cv.MORPH_BLACKHAT, kernel)

# 构造显示结果数组
titles = ['Source Img', 'Black Img']
images = [source, dst]

# matplotlib 绘图
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()