opencv之图像亮度变换和形态学变换（八）

文章目录

opencv之图像亮度变换和形态学变换（八）
一、图像亮度变换
- [1.1 亮度变换](#1.1 亮度变换)
- [1.2 线性变换](#1.2 线性变换)
- [1.3 直接像素值修改](#1.3 直接像素值修改)
- 案例
二、形态学变换
- [2.1 核](#2.1 核)
- [**2.2 腐蚀（Erosion）**](#2.2 腐蚀（Erosion）)
- [**2.3 膨胀（Dilation）**](#2.3 膨胀（Dilation）)
- [**2.4 开运算（Opening）**](#2.4 开运算（Opening）)
- [**2.5 闭运算（Closing）**](#2.5 闭运算（Closing）)
- [**2.6 礼帽运算（Top Hat）**](#2.6 礼帽运算（Top Hat）)
- [**2.7 黑帽运算（Black Hat）**](#2.7 黑帽运算（Black Hat）)
- [**2.8 形态学梯度（Morphological Gradient）**](#2.8 形态学梯度（Morphological Gradient）)
- **核心总结**
- 案例

一、图像亮度变换

1.1 亮度变换

在讲解亮度时，需要和对比度一起来进行解释。

对比度调整：图像暗处像素强度变低，图像亮处像素强度变高，从而拉大中间某个区域范围的显示精度。

亮度调整：图像像素强度整体变高或者变低。

上图中，(a)把亮度调高，就是图片中的所有像素值加上了一个固定值；(b)把亮度调低，就是图片中的所有像素值减去了一个固定值；©增大像素对比度（白的地方更白，黑的地方更黑）；(d)减小像素对比度（整幅图都趋于一个颜色）；

OpenCV调整图像对比度和亮度时，公式为： g ( i , j ) = α f ( i , j ) + β g(i,j)=\alpha f(i,j)+\beta g(i,j)=αf(i,j)+β。但是不能浅显的讲 α \alpha α是控制对比度， β \beta β是控制亮度的。

对比度：需要通过 α 、 β \alpha、\beta α、β一起控制。

亮度：通过 β \beta β控制。

1.2 线性变换

使用 cv2.addWeighted() 函数，可以对图像的像素值进行加权平均，进而改变图像的整体亮度。亮度增益可以通过向每个像素值添加一个正值来实现。

cv2.addWeighted(src1, alpha, src2, beta, gamma)

src1：第一张输入图像，它将被赋予权重 alpha。
alpha：第一个输入图像的权重。
src2：第二张输入图像，它将被赋予权重 beta。
beta：第二个输入图像的权重。
gamma：一个标量，将被添加到权重求和的结果上，可用于调整总体亮度。

计算公式为: dst = src1 * alpha + src2 * beta + gamma

1.3 直接像素值修改

如果只需要增加或减少固定的亮度值，可以直接遍历图像像素并对每个像素值进行加减操作。

使用的API:

numpy.clip(a, a_min, a_max)

用于对数组中的元素进行限定，将超出指定范围的元素值截断至指定的最小值和最大值之间

a：输入数组。
a_min：指定的最小值，数组中所有小于 a_min 的元素将被替换为 a_min。
a_max：指定的最大值，数组中所有大于 a_max 的元素将被替换为 a_max。

案例

案例一：

py 复制代码

import numpy as np
import cv2 as cv

img = cv.imread("images/1.jpg")
# 使用cv2.addWeihted(src1, alpha, src2, beta, gamma)实现线性变换
"""
np.zeros_like(img) 生成与img相同形状的零矩阵
np.ones_like(img) 生成与img相同形状的1矩阵
np.full_like(img, n) 生成与img相同形状的n矩阵
"""
dst = cv.addWeighted(img, 1, np.zeros_like(img), 0, 50)

cv.imshow("dst", dst)
cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()

案例二：

py 复制代码

import cv2 as cv
import numpy as np

window_name = 'Trackbar'
cv.namedWindow(window_name)

# 写一个改变图像亮度的方法
def change(p):
    img = cv.imread('images/1.jpg')
    if img is None:
        print("图像加载失败，请检查路径！")
        return
    # 把滑条范围映射到-255~255
    p = int(p)  # 确保 p 是整数
    p = p / 255 * (255 - (-255)) - 255
    # 亮度变换
    dst = np.uint8(img + p)
    dst = np.clip(dst, 0, 255)
    cv.imshow(window_name, dst)

# 创建滑条
cv.createTrackbar('p', 'Trackbar', 0, 255, change)

# 初始化显示
change(0)  # 初始化时调用一次，确保图像显示

cv.waitKey(0)
cv.destroyAllWindows()

二、形态学变换

形态学变换（Morphological Transformations）是一种基于形状的简单变换，它的处理对象通常是二值化图像。形态学变换有两个输入，一个输出：输入为原图像、核（结构化元素），输出为形态学变换后的图像。其基本操作有腐蚀和膨胀，这两种操作是相反的，即较亮的像素会被腐蚀和膨胀。下面我们来说一下核、腐蚀与膨胀的概念。

2.1 核

自适应二值化中，我们已经接触过核了，还记得吗？就是那个在原图中不断滑动计算的3*3的小区域，那其实就是一个3*3的核。

核（kernel）其实就是一个小区域，通常为3*3、5*5、7*7大小，有着其自己的结构，比如矩形结构、椭圆结构、十字形结构，如下图所示。通过不同的结构可以对不同特征的图像进行形态学操作的处理。

2.2 腐蚀（Erosion）

作用：收缩白色区域（前景），消除小噪点、细线
原理：结构元素覆盖区域内有黑即黑（取最小值）
效果：目标"变瘦"，边缘平滑

2.3 膨胀（Dilation）

作用：扩展白色区域，填补空洞、断裂
原理：结构元素覆盖区域内有白即白（取最大值）
效果：目标"变胖"，轮廓连通

2.4 开运算（Opening）

操作：先腐蚀后膨胀
作用：消除孤立噪点、分离粘连物体
特点：保留原主体，去除小干扰

2.5 闭运算（Closing）

操作：先膨胀后腐蚀
作用：填充内部孔洞、闭合缝隙
特点：平滑轮廓，保持主体完整性

2.6 礼帽运算（Top Hat）

公式：原图 - 开运算结果
作用：提取比背景亮的细节（如微小亮斑）
应用：背景均匀时的前景增强

2.7 黑帽运算（Black Hat）

公式：闭运算结果 - 原图
作用：提取比背景暗的细节（如暗色缺陷）
应用：检测深色区域或空洞

2.8 形态学梯度（Morphological Gradient）

公式：膨胀图 - 腐蚀图
作用：突出边缘轮廓
效果：类似边缘检测，但更平滑

核心总结

操作	关键作用	典型应用场景
腐蚀	消除噪点、细化物体	去除胡椒噪声
膨胀	连接断裂、填充孔洞	文字修复
开运算	去噪+保形	分离粘连细胞
闭运算	补洞+平滑	填充指纹断裂
礼帽	提取亮细节	显微图像亮斑提取
黑帽	提取暗细节	工业缺陷检测
形态学梯度	边缘增强	目标轮廓提取

注：所有操作均依赖**结构元素（核）**的形状和大小选择！

案例

案例一：腐蚀和膨胀

py 复制代码

import cv2 as cv
import numpy as np

long = cv.imread("images/long.png")
# 定义一个5×5的卷积核
kernel = np.ones((5,5),np.uint8)
# 腐蚀操作cv.erode(src, kernel, dst, anchor, iterations, borderType, borderValue)
# iterations表示迭代次数
dst_erode = cv.erode(long,kernel,iterations=1)

# 膨胀操作cv.dilate(src, kernel, dst, anchor, iterations, borderType, borderValue)
dst_dilate = cv.dilate(long,kernel,iterations=5)

cv.imshow("long",long)
cv.imshow("dst_erode",dst_erode)
cv.imshow("dst_dilate",dst_dilate)
cv.waitKey(0)
cv.destroyAllWindows()

案例二：

py 复制代码

import cv2 as cv
import numpy as np

car = cv.imread("images/car4.png")
car = cv.resize(car,(640,480))
# 定义一个5×5的卷积核
kernel = np.ones((5,5),np.uint8)
# 开运算 cv.morphologyEx(src,op,kernel) # 先腐蚀再膨胀
open = cv.morphologyEx(car,cv.MORPH_OPEN,kernel)
# 闭运算 cv.morphologyEx(src,op,kernel) # 先膨胀再腐蚀
close = cv.morphologyEx(car,cv.MORPH_CLOSE,kernel)

# 显示图像
cv.imshow("car",car)
cv.imshow("open",open)
cv.imshow("close",close)
cv.waitKey(0)
cv.destroyAllWindows()

案例三：

py 复制代码

import cv2 as cv
import numpy as np

car = cv.imread("images/car4.png")
car = cv.resize(car,(640,480))
# 定义一个5×5的卷积核
kernel = np.ones((5,5),np.uint8)
# 礼帽运算cv.morphologyEx(src,op,kernel) 原图减"开运算"
dst_top = cv.morphologyEx(car,cv.MORPH_TOPHAT,kernel)

# 黑帽运算cv.morphologyEx(src,op,kernel) "闭运算"的结果图与原图像之差
dst_black = cv.morphologyEx(car,cv.MORPH_BLACKHAT,kernel)

cv.imshow("car",car)
cv.imshow("dst_top",dst_top)
cv.imshow("dst_black",dst_black)
cv.waitKey(0)
cv.destroyAllWindows()

案例四：

py 复制代码

import cv2 as cv
import numpy as np

car = cv.imread("images/car4.png")
car = cv.resize(car,(640,480))
# 定义一个5×5的卷积核
kernel = np.ones((5,5),np.uint8)
# 形态学梯度 cv2.morphologyEx(src,op,kernel) 像素点在膨胀后的图像值与其在腐蚀后的图像值之差
gradient = cv.morphologyEx(car,cv.MORPH_GRADIENT,kernel)
cv.imshow("gradient",gradient)
cv.imshow("car",car)
cv.waitKey(0)
cv.destroyAllWindows()