Python 影像處理 OpenCV （9）：影像處理形態學開運算、閉運算以及梯度運算

  • 2020 年 6 月 13 日
  • 筆記

前文傳送門：

「Python 影像處理 OpenCV （1）：入門」

「Python 影像處理 OpenCV （2）：像素處理與 Numpy 操作以及 Matplotlib 顯示影像」

「Python 影像處理 OpenCV （3）：影像屬性、影像感興趣 ROI 區域及通道處理」

「Python 影像處理 OpenCV （4）：影像算數運算以及修改顏色空間」

「Python 影像處理 OpenCV （5）：影像的幾何變換」

「Python 影像處理 OpenCV （6）：影像的閾值處理」

「Python 影像處理 OpenCV （7）：影像平滑（濾波）處理」

「Python 影像處理 OpenCV （8）：影像腐蝕與影像膨脹」

引言

前面介紹了影像形態學的兩種基礎演算法，影像腐蝕和影像膨脹，本篇接著介紹影像形態學中的開運算、閉運算以及梯度運算。

由於內容的連貫性，請先閱讀前文「Python 影像處理 OpenCV （8）：影像腐蝕與影像膨脹」，了解清楚影像的腐蝕與膨脹基礎原理。

不然真的沒辦法理解開運算和閉運算。

第一件事情還是給影像增加雜訊，思路沿用之前加雜訊的思路，使用 Numpy 給圖片添加黑白兩種雜訊點，程式碼如下：

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

# 讀取圖片
img = cv.imread("demo.png", cv.IMREAD_UNCHANGED)
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
rows, cols, chn = source.shape

# 加雜訊-白點雜訊
for i in range(500):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    source[x, y, :] = 255

# 影像保存 白點雜訊影像
cv.imwrite("demo_noise_white.jpg", source)
print("白點雜訊添加完成")

# 重新讀取影像
img1 = cv.imread("demo.png", cv.IMREAD_UNCHANGED)
source1 = cv.cvtColor(img1, cv.COLOR_BGR2RGB)

# 加雜訊-黑點雜訊
for i in range(1000):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    source1[x, y, :] = 0

# 影像保存 黑點雜訊影像
cv.imwrite("demo_noise_black.jpg", source1)
print("黑點雜訊添加完成")

# 顯示結果
titles = ['White Img','Black Img']
images = [source, source1]

# matplotlib 繪圖
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()

形態學開運算

影像開運算實際上是一個組合運算，開運算是影像先進行腐蝕，再進行膨脹的運算。

影像被腐蝕後，去除了雜訊，但是也壓縮了影像；接著對腐蝕過的影像進行膨脹處理，使得剛才在腐蝕過程中被壓縮的影像得以恢復原狀。

下面是一個影像開運算的流程圖：

開運算的一些特性：

  • 開運算能夠除去孤立的小點，毛刺和小橋，而總的位置和形狀不便。
  • 開運算是一個基於幾何運算的濾波器。
  • 結構元素大小的不同將導致濾波效果的不同。
  • 不同的結構元素的選擇導致了不同的分割，即提取出不同的特徵。

我們先不管開運算 OpenCV 為我們提供的函數是什麼，先使用前面介紹過的影像腐蝕與膨脹處理看下結果：

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

# 讀取圖片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5),np.uint8)

# 影像腐蝕
erode_img = cv.erode(source, kernel)

# 影像膨脹
dilate_result = cv.dilate(erode_img, kernel)

# 顯示結果
titles = ['Source Img','Erode Img','Dilate Img']
images = [source, erode_img, dilate_result]

# matplotlib 繪圖
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還是不錯的。

接著看 OpenCV 為開運算提供的函數。

影像開運算主要使用到的函數是 morphologyEx() 它是形態學擴展的一組函數，而其中的 cv.MORPH_OPEN 對應的是開運算。

使用時語法如下：

dst = cv.morphologyEx(src, cv.MORPH_OPEN, kernel)
  • src： 原圖形
  • cv2.MORPH_OPEN： 表示開運算
  • kernel： 卷積核

我們再使用 morphologyEx() 函數去重新實現下剛才的影像開運算，看下和之前的結果有啥區別：

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

# 讀取圖片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5),np.uint8)

#影像開運算
dst = cv.morphologyEx(source, cv.MORPH_OPEN, kernel)

# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 繪圖
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()

至少從肉眼的角度上看不出來和之前的方式有啥區別，實際上也沒啥區別。

形態學閉運算

與開運算相反的是閉運算，閉運算是影像先膨脹，後腐蝕，它有助於關閉前景物體內部的小孔，或物體上的小黑點。

先看下影像閉運算的流程圖：

閉運算的一些特性：

  • 閉運算能夠填平小湖（即小孔），彌合小裂縫，而總的位置和形狀不變。
  • 閉運算是通過填充影像的凹角來濾波影像的。
  • 結構元素大小的不同將導致濾波效果的不同。
  • 不同結構元素的選擇導致了不同的分割。

首先還是用 dilate() 和 erode() 函數實現一下影像閉運算，程式碼如下：

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

# 讀取圖片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5),np.uint8)

# 影像膨脹
dilate_result = cv.dilate(source, kernel)

# 影像腐蝕
erode_img = cv.erode(dilate_result, kernel)

# 顯示結果
titles = ['Source Img','Dilate Img','Erode Img']
images = [source, dilate_result, erode_img]

# matplotlib 繪圖
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()

如果想要使用形態學擴展的函數 morphologyEx() 則需要把裡面的參數換成 MORPH_CLOSE ，同樣，既然是形態學擴展函數，那麼影像腐蝕和影像膨脹也有對應的參數：

  • 影像腐蝕： MORPH_ERODE
  • 影像膨脹： MORPH_DILATE

接著還是使用 MORPH_CLOSE 參數來實現下影像的閉運算：

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

# 讀取圖片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5),np.uint8)

# 影像閉運算
dst = cv.morphologyEx(source, cv.MORPH_CLOSE, kernel)

# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 繪圖
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()

形態學梯度運算

影像形態學的梯度運算和前面的開運算閉運算是一樣的，都是組合函數。

梯度運算實際上是影像膨脹減去影像腐蝕後的結果，最終我們得到的是一個類似於影像輪廓的圖形。

梯度運算在 morphologyEx() 函數中的參數是 MORPH_GRADIENT ，示例程式碼如下：

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

# 讀取圖片
source = cv.imread("demo.png", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5), np.uint8)

# 影像梯度運算
dst = cv.morphologyEx(source, cv.MORPH_GRADIENT, kernel)

# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 繪圖
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()

示例程式碼

如果有需要獲取源碼的同學可以在公眾號回復「OpenCV」進行獲取。

參考

//www.woshicver.com/

//blog.csdn.net/Eastmount/article/details/83651172

//blog.csdn.net/hanshanbuleng/article/details/80657148

VirMach 便宜 VPS

QNews

QNews