OpenCV中的形态学_cv2.morph_rect

图像二值化

二值化就是将图像的每个像素变成两种值，比如0或255，一般是对灰度图像进行处理
**全局二值化api:设定一个阈值，低于这个值的把像素值为0，高于的归为255或其他值（自己设定）

threshold(img, thresh, maxVal, type)
img ：图像，最好是灰度图像
thresh ：阈值
maxVal ：自己设定的像素点最大值
type ：THRESH_BINARY(低于阈值的设为0，高于的设为最大值),
THRESH_BINARY_INV（低于阈值的设为最大值，高于的设为0）
THRESH_TRUNC(低于阈值时不做改变，高于阈值的像素点设为阈值)
THRESH_TOZERO（高于阈值时不变，低于阈值时设为0）
THRESH_TOZERO_INV（低于阈值时不变，高于阈值时设为0）
【type 的后三种类型生成的图像不是二值化图像，图像中还是有梯度的】
下面图是type 的5个类型表达

import cv2
import numpy as np

img = cv2.imread('d:\\STUDY_OPENCV\\img\\cdog.jpg')
#把彩色图像变为灰度图像
img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret,dst = cv2.threshold(img1, 100, 255, cv2.THRESH_BINARY)
cv2.imshow('img', img)
cv2.imshow('gray',img1)
cv2.imshow('bin',dst)
cv2.waitKey(0)
1
2
3
4
5
6
7
8
9
10
11
12

自适应阈值二值化

由于光照不均匀以及阴影的存在，只有一个阈值会使得一张图识别不准确。
自适应阈值二值化api

adaptiveThreshold(img, maxVal, adaptiveMethod，type, blockSize, C)
img ：要处理的图片
maxVal ：转换的最大值是多少
adaptiveMethod ：计算阈值方法，对某个区域自己计算这个阈值
type ： THRESH_BINARY，THRESH_BINARY_INV
blockSize ：区域的大小，想要计算精准点就把区域设置小点，但是计算量会增加
C ：又自适应计算得到的平均值或加权平均值减去，一般设为0即可

计算阈值方法有：
ADAPTIVE_THRESH_MEAN_C ：计算邻近区域的平均值作为阈值（就是把blockSize 区域的所有像素值计算的平均值作为阈值）
ADAPTIVE_THRESH_GAUSSIAN_C ：高斯窗口加权平均值（越靠近中心点权值越重）

把以上代码ret,dst = cv2.threshold(img1, 100, 255, cv2.THRESH_BINARY)换成自适应
dst = cv2.adaptiveThreshold(img1, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 3, 0)即可得到以下效果，可以看出处理后的图片背景噪点比较多

图像的腐蚀

用卷积核对图像进行处理，其中卷积核元素只有在所有像素都为1的情况下或者说所有像素都大于1才为1，其他时候都为0，所以在完全黑色或者完全白色区域处理之后不变，在卷积的这块区域中又有黑色又有白色那么处理后就会变成黑色，即原来图像会缩小
以下是进行腐蚀之后的效果

腐蚀api
erode(img, kernel, iteration = 1)
img ：需要处理的图像，二值化图像
kernel :卷积核，卷积核越大腐蚀的效果越明显。
手动设置可以这样kernel = np.ones((3,3),np.uint8)，或调用获取形态学卷积核api
iteration ：腐蚀执行的次数

获取形态学卷积核api ：
getStructuringElement( type, size)
size ：卷积核大小，书写形式为（3，3）
type :（可以在程序中通过print打印出来就可以看出区别）
MORPH_RECT : 方形卷积核
MORPH_ELLIPSE ：椭圆形卷积核
MORPH_CROSS : 十字架型卷积核，中间一横和竖为1，其余元素为0

图像的膨胀

图像进行卷积的时候只要卷积核的中心锚点是非零的，经过卷积之后的周边无论是非零还是零都变成了非零值，这就是膨胀。通俗来讲腐蚀就是把图像变瘦了，膨胀就是把图像扩大了。膨胀的快与慢就是与卷积核的大小有关。
膨胀之后的效果

膨胀api
dilate(img, kernel, iteration = 1) : 与上面腐蚀api参数含义是一样的

开运算

开运算 = 腐蚀+膨胀 【顺序一定不能颠倒】，能够消除背景中的噪点，可以手动调两个api也可以调用开运算api
开运算api
morphologyEx(img, MORPH_OPEN, kernel)
MORPH_OPEN :一个宏定义，代表形态学的开运算
kernel ：卷积核，一般噪点比较大的时候会使用比较大的卷积核

闭运算

闭运算 = 膨胀 + 腐蚀 【顺序一定不能颠倒】：能够将图片里面的黑色噪点消除
闭运算api
morphologyEx(img,MORPH_CLOSE , kernel)，与开运算api一样，只是调用的宏不一样

形态学梯度

梯度 = 原图 - 腐蚀, 最后结果就是检测边缘
morphologyEx(img,MORPH_GRADIENT , kernel)，边缘的好坏与kernel大小密切相关，kernel越大，腐蚀的越多，得出来的边缘就越粗

顶帽运算

顶帽运算 = 原图 - 开运算 ，开运算是去除背景图的噪点，则顶帽运算就是得到背景图的噪点（也可能是有用信息）
顶帽api ：morphologyEx(img,MORPH_TOPHAT , kernel)

黑帽运算

黑帽运算 = 原图 - 闭运算，闭运算是去除白色图像中的噪点，则黑帽运算就是得到白色图形中的噪点（可能是有效信息）
黑帽api ：morphologyEx(img,MORPH_BLACKHAT , kernel)

以下是上面api的实例操作

import cv2
import numpy as np

#kernel = np.ones((3,3), np.uint8)
#获取形态学卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7,7))

img = cv2.imread('d:\\STUDY_OPENCV\\img\\pos.png')
img_er = cv2.imread('d:\\STUDY_OPENCV\\img\\zf.jpg')
#腐蚀
ero = cv2.erode(img_er, kernel, iterations=1)
#膨胀操作
dil = cv2.dilate(img_er, kernel, iterations=1)

#开运算 = 腐蚀 + 膨胀
mor = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
#闭运算 = 膨胀 +腐蚀
mor2 = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
#梯度运算，即检测边缘
mor3 = cv2.morphologyEx(img_er, cv2.MORPH_GRADIENT, kernel)
#顶帽运算 = 原图-开运算
mor4 = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
#黑帽运算 = 原图-闭运算
mor5 = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

cv2.imshow('img',img)
cv2.imshow('mor2',mor2)
cv2.imshow('mor', mor)
cv2.imshow('mor4', mor4)
cv2.imshow('mor5', mor5)
cv2.waitKey(0)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31