机器学习：opencv--图像形态学

import numpy as np
import cv2

"""
图像腐蚀
dst = cv2.erode(src, kernel, dst,anchor,iterations,borderType,borderValue)
"""
sun = cv2.imread('sun.png')
cv2.imshow('sun', sun)
cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)  # 设置kernel大小
erosion_1 = cv2.erode(sun, kernel, iterations=5)
cv2.imshow('erode', erosion_1)
cv2.waitKey(0)

输出：

左边是原图，右边是腐蚀之后的

2.图形膨胀

扩展前景区域，使对象变大。

python 复制代码

import numpy as np
import cv2

"""
图像膨胀
dst = cv2.dilate(img, kernel,iteration)
"""
text = cv2.imread('eng_text.png')
cv2.imshow('text', text)
cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)
text_new = cv2.dilate(text, kernel, iterations=3)
cv2.imshow('dilate', text_new)
cv2.waitKey(0)

输出：

左边是原图，右边是膨胀之后的图像

三、开运算和闭运算

1.开运算

先腐蚀后膨胀，用于去除小物体。

python 复制代码

# 开运算 先腐蚀后膨胀
zw_noise = cv2.imread('zw_noise.png')
cv2.imshow('zw_noise', zw_noise)
cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)
zw_open = cv2.morphologyEx(zw_noise, cv2.MORPH_OPEN, kernel)  # 先腐蚀 后膨胀
cv2.imshow('zw_open', zw_open)
cv2.waitKey(0)

输出：

左边是原图，右边是进行开运算之后的图片

2.闭运算

先膨胀后腐蚀，用于填充小孔洞。

python 复制代码

zw = cv2.imread('zw.png')
cv2.imshow('zw', zw)
cv2.waitKey(0)

kernel = np.ones((5, 5), np.uint8)
zw_close = cv2.morphologyEx(zw, cv2.MORPH_CLOSE, kernel)  # 先腐蚀 后膨胀
cv2.imshow('zw_close', zw_close)
cv2.waitKey(0)

输出：

左边是原图，右边是经过闭运算之后的图
可以看出来指纹有些断开的地方连接起来了

四、顶帽和黑帽

1.顶帽

原图像与开运算结果的差异。用于提取图像中比背景亮的细节，通常用于突出小的亮区域。

python 复制代码

sun = cv2.imread('sun.png')
cv2.imshow('sun', sun)
cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)
# 开运算
open_sun = cv2.morphologyEx(sun, cv2.MORPH_OPEN, kernel)
cv2.imshow('open_sun', open_sun)
cv2.waitKey(0)
# 顶帽
tophat = cv2.morphologyEx(sun, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

左边原图，中间开运算，右边顶帽运算
顶帽之后有种凹陷的感觉

2.黑帽

闭运算结果与原图像的差异。用于提取图像中比背景暗的细节，通常用于突出小的暗区域。

python 复制代码

sun = cv2.imread('sun.png')
cv2.imshow('sun', sun)
cv2.waitKey(0)
kernel = np.ones((2, 2), np.uint8)
cv2.imshow('sun', sun)
cv2.waitKey(0)
# 闭运算
close_sun = cv2.morphologyEx(sun, cv2.MORPH_CLOSE, kernel)
cv2.imshow('close_sun', close_sun)
cv2.waitKey(0)
# 黑帽
blackhat = cv2.morphologyEx(sun, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat', blackhat)
cv2.waitKey(0)

输出：

左边原图，中间闭运算，右边黑帽之后的图片

五、梯度运算

用于提取图像的边缘，计算图像的变化率。

python 复制代码

"""
梯度运算: 膨胀-腐蚀
"""
text = cv2.imread('eng_text.png')
# cv2.imshow('text', text)
# cv2.waitKey(0)

kernel = np.ones((2, 2), np.uint8)
# 膨胀
pz_text = cv2.dilate(text, kernel, iterations=2)
cv2.imshow('pz_text', pz_text)
cv2.waitKey(0)
# 腐蚀
fs_text = cv2.erode(text, kernel, iterations=2)
cv2.imshow('fs_text', fs_text)
cv2.waitKey(0)
# 膨胀-腐蚀
text_new = cv2.morphologyEx(text, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('text_new', text_new)
cv2.waitKey(0)

输出：

左边是膨胀的图片，中间是腐蚀的图片，右边是梯度运算之后的图片
有一种镂空的感觉

总结

这些处理方法主要用于图像的边缘检测和特征增强。通过膨胀，图像的前景区域会被扩展，填补细小的空洞；通过腐蚀，前景区域会被缩小，去除噪声。梯度运算（膨胀减腐蚀）则能够突出图像中的边缘信息，有助于识别和分析图像中的结构和形状。