OpenCV入門(mén)之OpenCV的基本操作5

9、形態(tài)學(xué)操作： 腐蝕、膨脹、開(kāi)運(yùn)算、閉運(yùn)算、頂帽、黑帽

利用一種特殊的結(jié)構(gòu)（卷積核）來(lái)測(cè)量或提取輸入圖像中對(duì)應(yīng)的形狀或特征以便進(jìn)一步圖像分析和識(shí)別，基本都是對(duì)二進(jìn)制圖像進(jìn)行處理。

基本操作：膨脹和腐蝕，開(kāi)運(yùn)算、閉運(yùn)算、頂帽、黑帽

腐蝕操作 ，用卷積核掃描圖像，一般都為1，如果圖像內(nèi)卷積核范圍內(nèi)全是白的（255），那255保留，如果卷積核范圍內(nèi)有黑的（0），那么該范圍都變?yōu)楹诘模?）。

膨脹操作 ，與腐蝕操作相反，只要保證卷積核的錨點(diǎn)是非0值（255），周邊無(wú)論是0還是非0，都變成非0值（255）。

開(kāi)運(yùn)算 ：腐蝕+膨脹，去除外部噪聲，去除白點(diǎn)。

閉運(yùn)算 ：膨脹+腐蝕，去除內(nèi)部噪聲，去除黑點(diǎn)。

頂帽操作 ：原圖-開(kāi)運(yùn)算，得到外部去掉的噪聲。

因?yàn)殚_(kāi)運(yùn)算帶來(lái)的結(jié)果是放大了裂縫或者局部低亮度的區(qū)域，因此，從原圖中減去開(kāi)運(yùn)算后的圖，得到的效果圖突出了比原圖輪廓周?chē)膮^(qū)域更明亮的區(qū)域，且這一操作和選擇的核的大小相關(guān)。

頂帽運(yùn)算往往用來(lái)分離比鄰近點(diǎn)亮一些的斑塊。當(dāng)一幅圖像具有大幅的背景的時(shí)候，而微小物品比較有規(guī)律的情況下，可以使用頂帽運(yùn)算進(jìn)行背景提取。

黑帽操作 ：原圖-閉運(yùn)算，得到內(nèi)部去掉的噪聲。

黑帽運(yùn)算后的效果圖突出了比原圖輪廓周?chē)膮^(qū)域更暗的區(qū)域，且這一操作和選擇的核的大小相關(guān)。

所以，黑帽運(yùn)算用來(lái)分離比鄰近點(diǎn)暗一些的斑塊?？梢缘玫捷喞Ч麍D。

形態(tài)學(xué)梯度 ：圖像膨脹與腐蝕的差別。結(jié)果看上去就像前景物體的輪廓。

基本梯度 ：膨脹后圖像減去腐蝕后圖像得到的差值圖像。

內(nèi)部梯度 ：用原圖減去腐蝕圖像得到的差值圖像。

外部梯度 ：膨脹后圖像減去原圖像得到的差值圖像。

morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst

src：輸入圖像

op：操作類(lèi)型

MORTH_OPEN：函數(shù)做開(kāi)運(yùn)算

MORTH_CLOSE：函數(shù)做閉運(yùn)算

MORTH_GRADIENT：函數(shù)做形態(tài)學(xué)梯度運(yùn)算

MORTH_TOPHAT：函數(shù)做頂帽運(yùn)算

MORTH_BLACKHAT：函數(shù)做黑帽運(yùn)算

MORTH_DILATE ：函數(shù)做膨脹運(yùn)算

MORTH_ERODE：函數(shù)做腐蝕運(yùn)算

kernel ：內(nèi)核類(lèi)型，用getStructuringElement函數(shù)得到

def Morphology():
    # morphology 形態(tài)學(xué)
    # 利用一種特殊的結(jié)構(gòu)（卷積核）來(lái)測(cè)量或提取輸入圖像中對(duì)應(yīng)的形狀或特征
    # 以便進(jìn)一步圖像分析和識(shí)別，基本都是對(duì)二進(jìn)制圖像進(jìn)行處理
    # 基本操作：膨脹和腐蝕，開(kāi)運(yùn)算、閉運(yùn)算、頂帽、黑帽
    # 圖像全局二值化，將每個(gè)像素轉(zhuǎn)換為兩種值（0，255）
    img = cv2.imread('./images/bank.png')
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)


    # 返回兩個(gè)值，閾值和處理后的圖片,大于thresh（127）全是白的255
    # THRESH_BINARY 二進(jìn)制閾值化 -> 大于閾值為1,小于閾值為0
    # THRESH_BINARY_INV 反二進(jìn)制閾值化 -> 大于閾值為0,小于閾值為1
    # THRESH_TRUNC 截?cái)嚅撝祷?-> 大于閾值為閾值，小于閾值不變
    # THRESH_TOZERO 閾值化為0 -> 大于閾值的不變，小于閾值的全為0
    # THRESH_TOZERO_INV 反閾值化為0 -> 大于閾值為0，小于閾值不變
    # thresh,img_bw = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
    # 自適應(yīng)閾值二值化 閾值是根據(jù)圖像上的每一個(gè)小區(qū)域計(jì)算與其對(duì)應(yīng)的閾值。
    # ADAPTIVE_THRESH_MEAN_C（通過(guò)平均的方法取得平均值）———閾值取自相鄰區(qū)域的平均值）
    # ADAPTIVE_THRESH_GAUSSIAN_C(通過(guò)高斯取得高斯值)———閾值取自相鄰區(qū)域的加權(quán)和
    # blockSize Int類(lèi)型的，這個(gè)值來(lái)決定像素的鄰域塊有多大。
    # C：偏移值調(diào)整量，計(jì)算adaptiveMethod用到的參數(shù)。
    img_bw = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,0)


    # 獲取形態(tài)學(xué)卷積核
    # cv2.MORPH_ELLIPSE 橢圓,cv2.MORPH_RECT 矩形,cv2.MORPH_CROSS 十字架
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(7,7))
    # kernel = np.ones((3, 3), np.uint8)
    # 腐蝕操作，用卷積核掃描圖像，一般都為1，如果圖像內(nèi)卷積核范圍內(nèi)全是白的，那掃后為白的
    # iterations 為迭代次數(shù)
    img_erode = cv2.erode(img_bw,kernel,iterations=2)


    # 膨脹操作，與腐蝕操作相反，只要保證卷積核的錨點(diǎn)是非0值（白的），周邊無(wú)論是0還是非0，都變成非0值
    img_dilate = cv2.dilate(img_bw,kernel)


    # 開(kāi)運(yùn)算：腐蝕?膨脹,去除外部噪聲,去除白點(diǎn)
    # 閉運(yùn)算：膨脹?腐蝕，去除內(nèi)部噪聲，去除黑點(diǎn)
    open_operate = cv2.morphologyEx(img_bw,cv2.MORPH_OPEN,kernel,iterations=2)
    close_operate = cv2.morphologyEx(img_bw,cv2.MORPH_CLOSE,kernel,iterations=2)


    # 形態(tài)學(xué)的梯度，：原圖-腐蝕，得到腐蝕掉的部分，即邊
    img_grad = cv2.morphologyEx(img_bw,cv2.MORPH_GRADIENT,kernel)


    # 頂帽操作：原圖-開(kāi)運(yùn)算，得到外部去掉的噪聲
    img_tophat = cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,kernel)

    # 黑帽操作:原圖-閉運(yùn)算，得到內(nèi)部去掉的噪聲
    img_blackhat = cv2.morphologyEx(gray,cv2.MORPH_BLACKHAT,kernel)


    cv2.imshow("imshow",img_tophat)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

運(yùn)行結(jié)果

原圖&二值化

腐蝕&膨脹

開(kāi)運(yùn)算&閉運(yùn)算