目录
一、开运算
二、闭运算
三、形态学梯度
开运算和闭运算都是腐蚀和膨胀的基本应用。
一、开运算
开运算 = 腐蚀+膨胀(腐蚀之后再膨胀)
开运算提供了另一种去除噪声的思路。(腐蚀先进行去噪,膨胀再还原图像)
通过API — morphologyEx(img, MORPH_OPEN, kernel)
- MORPH_OPEN 表示形态学的开运算
- kernel 如果噪点比较多,会选择大一点的kernel, 如果噪点比较小,可以选择小点的kernel
示例代码如下:
import cv2import numpy as npcv2.namedWindow("img", cv2.WINDOW_NORMAL)cv2.resizeWindow("img", 640, 480)img = cv2.imread("i.png")kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# # 先腐蚀# new_img = cv2.erode(img, kernel, iterations=1)# # 后膨胀# new_img = cv2.dilate(new_img, kernel, iterations=1)new_img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=1)cv2.imshow("img", np.hstack((img, new_img)))cv2.waitKey(0)cv2.destroyAllWindows()
输出结果如下:
经测试我们可以发现,对图片进行先腐蚀后膨胀的操作与直接进行开运算的操作效果一样。
且开运算能有效去除图片中的噪声,为我们提供一种新的去除噪声的方法。
二、闭运算
闭运算 = 膨胀+腐蚀(膨胀之后再腐蚀)
膨胀会对噪声的变大,再进行腐蚀操作可以去除图片内部的噪声点
通过使用同样的API — morphologyEx对其进行操作,改为MORPH_CLOSE
若是imread没有去读到东西是不会报错的,只会返回一个None
示例代码如下:
import cv2import numpy as npcv2.namedWindow("img", cv2.WINDOW_NORMAL)cv2.resizeWindow("img", 640, 480)img = cv2.imread("is.png")kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 闭运算new_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=1)cv2.imshow("img", np.hstack((img, new_img)))cv2.waitKey(0)cv2.destroyAllWindows()
输出结果如下:
三、形态学梯度
梯度 = 原图-腐蚀
腐蚀之后原图边缘变小,原图 – 腐蚀就可以得到腐蚀掉的部分,即边缘。
若腐蚀的部分越少,则得到的边缘部分越多。
通过使用同样的API — morphologyEx对其进行操作,改为MORPH_GRADIENT
示例代码如下:
import cv2import numpy as npcv2.namedWindow("img", cv2.WINDOW_NORMAL)cv2.resizeWindow("img", 640, 480)img = cv2.imread("iii.png")kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# 形态学梯度new_img = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)cv2.imshow("img", np.hstack((img, new_img)))cv2.waitKey(0)cv2.destroyAllWindows()
输出结果如下: