OpenCV(8)-OpenCV中的形态学_opencv获取形态学卷积核

OpenCV中的形态学

形态学概述

• 什么是形态学处理：
  • 基于图像形态进行处理的一些基本方法
• 这些处理方法基本上是对二进制图像进行处理
• 卷积核决定这图像处理后的效果
• 基本方法：
  • 腐蚀与膨胀
  • 开运算
  • 闭运算
  • 顶帽
  • 黑帽

图像二值化

• 将图像的每个像素变成两种值，如0,255
• 全局二值化：全局使用相同的阈值进行二值化
• 局部二值化：分成很多小块进行二值化

---

全局二值化

• threshold(img,thresh,maxVal,type)
  • img:图像，最好是灰度图
  • thresh:阈值
  • maxVal:超过阈值，替换成maxVal
  • thresholdType:
    • THRESH_BINARY 和THRESH_BINARY _INV(加INV是将二值反过来输出)
    • THRESH_TRUNC
    • THRESH_TOZERO和THRESH_TOZERO_INV

#有两个返回值：执行结果ret及返回图像dst
ret,dst = cv2.threshold(img,180,255,cv2.THRESH_BINARY)
1
2

自适应阈值二值化

• 全局二值化弊端：由于光照不均匀以及阴影的存在，只有一个阈值会使得在阴影处的白色被二值化成黑色
• 使用自适应阈值二值化即可解决
• adaptiveThreshold(img,maxVal,adaptiveMethod,type,blockSize,C)
  • adaptiveMethod:计算阈值的方法
    • ADAPTIVE_THRESH_MEAN_C:计算临近区域的平均值
    • ADAPTIVE_THRESH_GAUSSIAN_C:高斯窗口加权平均值
  • type：
    • THRESH_BINARY
    • THRESH_BINARY _INV
  • blockSize:临近区域的大小
  • C:常量，应从计算出的平均值或加权平均值中减去

dst =cv2.daptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,3,0)
1

腐蚀

• 会缩小一圈
• erode(img,kernel,iterations = 1)
  • iterations腐蚀次数

kernel = np.ones((3,3),np.uint8)
dst = cv2.erode(img,kernel,iterations = 1)
1
2

获得形态学卷积核

• getStructuringElement(type,size)
  • type:卷积核类型
    • MORPH_RECT 矩形卷积核 全为1
    • MORPH_ELLIPSE 椭圆形卷积核 内切圆（实心）为1
    • MORPH_CROSS 十字架卷积核 过中心点的十字架为1
  • size:一般情况下值为(3,3),(5,5),(7,7)…

kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
1

• 卷积核大小与腐蚀与膨胀的效果密切相关！

膨胀

• dilate(img,kernel,iterations = 1)
  • iterations膨胀次数

dst = cv2.dilate(img,kernel,iterations = 1)
1

开运算

• 开运算 = 腐蚀（先） + 膨胀（后）

• 能消除外部噪点
• morphlogogyEx(img,MORPH_OPEN,kernel)
  • MORPH_OPEN：形态学的开运算

#可以先调用一次腐蚀操作，再调用一次膨胀操作实现
#也可以直接调用开运算API实现
dst = cv2.morphlogogyEx(img,cv2.MORPH_OPEN,kernel)
1
2
3

闭运算

• 闭运算 = 膨胀（先） + 腐蚀（后）
  

• 能消除内部噪点

• morphlogogyEx(img,MORPH_CLOSE,kernel)

  • MORPH_CLOSE：形态学的闭运算

dst = cv2.morphlogogyEx(img,cv2.MORPH_CLOSE,kernel)
1

形态学梯度

• 梯度 = 原图 - 腐蚀

• morphlogogyEx(img,MORPH_GRADIENT,kernel)

dst = cv2.morphlogogyEx(img,cv2.MORPH_GRADIENT,kernel)
1

• kernel越小，腐蚀程度越小，用原图减去后的白色边缘越清晰；f反之kernel越大，白色越壮实

顶帽运算

• 顶帽 = 原图 - 开运算
• 就剩下外部噪点了
• morphlogogyEx(img,MORPH_TOPHAT,kernel)

dst = cv2.morphlogogyEx(img,cv2.MORPH_TOPHAT,kernel)
1

黑帽操作

• 黑帽 = 原图 - 闭运算
• 就剩下内部噪点了
• morphlogogyEx(img,MORPH_BLACKHAT,kernel)

dst = cv2.morphlogogyEx(img,cv2.MORPH_BLACKHAT,kernel)
1