OpenCV基本的图像处理

参考资料：

参考视频

视频参考资料:链接: https://pan.baidu.com/s/1_DJTOerxpu5_dSfd4ZNlAA 提取码: 8v2n

概述：

因为本人是用于机器视觉的图像处理，所以只记录了OpenCV的形态学操作和图像平滑处理两部分

形态学操作：

形态学操作主要包括：膨胀和腐蚀、开闭运算、黑帽和礼帽

膨胀和腐蚀

腐蚀和膨胀是最基本的形态学操作，腐蚀和膨胀都是针对白色部分（高亮部分）而言的。
膨胀就是使图像中高亮部分扩张，效果图拥有比原图更大的高亮区域；
腐蚀是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域
膨胀是求局部最大值的操作，腐蚀是求局部最小值的操作。

腐蚀

原理

具体操作是：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做**"与"操作** ，如果都为1，则该像素为1，否则为0。

如下图所示，结构A被结构B腐蚀后：

腐蚀的作用是消除物体边界点，使目标缩小 ，可以消除小于结构元素的噪声点。

API：

python 复制代码

 cv.erode(img,kernel,iterations)

参数：

img: 要处理的图像
kernel: 核结构
iterations: 腐蚀的次数，默认是1

膨胀

原理

具体操作是：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做"与"操作，如果都为0，则该像素为0，否则为1。

如下图所示，结构A被结构B腐蚀后：

膨胀的作用是将与物体接触的所有背景点合并到物体中，使目标增大 ，可添补目标中的孔洞。

python 复制代码

 cv.dilate(img,kernel,iterations)

参数：

img: 要处理的图像
kernel: 核结构
iterations: 腐蚀的次数，默认是1

示例

python 复制代码

import matplotlib
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 读取图像
img = cv.imread("./image/image3.png")
# 2 创建核结构
kernel = np.ones((5, 5), np.uint8)

# 3 图像腐蚀和膨胀
erosion = cv.erode(img, kernel) # 腐蚀
dilate = cv.dilate(img,kernel) # 膨胀

# 4 图像展示
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(10,8),dpi=100)
axes[0].imshow(img)
axes[0].set_title("原图")
axes[1].imshow(erosion)
axes[1].set_title("腐蚀后结果")
axes[2].imshow(dilate)
axes[2].set_title("膨胀后结果")
plt.show()

开闭运算

开运算和闭运算是将腐蚀和膨胀按照一定的次序进行处理
但这两者并不是互为逆运算，即先开后闭并不能得到原来的图像。

开运算

原理：先腐蚀后膨胀
作用：
- 1. 分离物体，消除小区域
- 1. 消除噪点，去除小的干扰块，而不影响原来的图像。

闭运算

原理：先膨胀后腐蚀
作用：
- 是消除/"闭合"物体里面的孔洞
- 可以填充闭合区域

API

python 复制代码

cv.morphologyEx(img, op, kernel)

参数：

img: 要处理的图像
op: 处理方式：若进行开运算，则设为cv.MORPH_OPEN，若进行闭运算，则设为cv.MORPH_CLOSE
Kernel：核结构

示例

python 复制代码

import matplotlib
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 读取图像
img1 = cv.imread("./image/image5.png")
img2 = cv.imread("./image/image6.png")
# 2 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 3 图像的开闭运算
cvOpen = cv.morphologyEx(img1,cv.MORPH_OPEN,kernel) # 开运算
cvClose = cv.morphologyEx(img2,cv.MORPH_CLOSE,kernel)# 闭运算
# 4 图像展示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title("原图")
axes[0,1].imshow(cvOpen)
axes[0,1].set_title("开运算结果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原图")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("闭运算结果")
plt.show()

黑帽礼帽

黑帽和礼帽运算通常是用来得到图形的轮廓的

礼帽运算

原理：原图和开运算之差
作用：得到比原图轮廓更明亮的轮廓，效果和核大小有关
用来分离比邻近点亮一些的斑块

黑帽运算

原理：原图和闭运算之差
作用：得到比原图轮廓更明暗的轮廓，效果和核大小有关
用来分离比邻近点暗一些的斑块

API

python 复制代码

cv.morphologyEx(img, op, kernel)

参数：

img: 要处理的图像
op: 处理方式：

Kernel：核结构

示例

python 复制代码

import matplotlib
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 读取图像
img1 = cv.imread("./image/image5.png")
img2 = cv.imread("./image/image6.png")
# 2 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 3 图像的礼帽和黑帽运算
cvOpen = cv.morphologyEx(img1,cv.MORPH_TOPHAT,kernel) # 礼帽运算
cvClose = cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel)# 黑帽运算
# 4 图像显示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title("原图")
axes[0,1].imshow(cvOpen)
axes[0,1].set_title("礼帽运算结果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原图")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("黑帽运算结果")
plt.show()

图像平滑：

噪声的分类

椒盐噪声

随机的黑点或白点

高斯噪声

颜色或灰度值随机，位置随机的彩色斑点
通常灰度值符合高斯分布

噪声的处理

均值滤波

原理：将核区域内的灰度值进行平均，来代替中心元素

优点：速度快

缺点：去除噪点的效果很差，且被处理的图像会变得模糊

API

python 复制代码

cv.blur(src, ksize, anchor, borderType)

参数:

src：输入图像
ksize：卷积核的大小
anchor：默认值 (-1,-1) ，表示核中心
borderType：边界类型

高斯滤波

以当前像素点为中心，以所规定的核为单位，根据与中心点距离获得权重，核中所有像素点权重和为1

然后每个像素点的灰度值*权重

然后9个点的结果相加，就是中心点的灰度值
高斯滤波对高斯噪声效果比较好，但是对椒盐噪声效果一般

API：

python 复制代码

cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)

参数：

src: 输入图像
ksize:高斯卷积核的大小，注意：卷积核的宽度和高度都应为奇数，且可以不同
sigmaX: 水平方向的标准差
sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同
borderType:填充边界类型

示例：

python 复制代码

import cv2 as cv
import matplotlib
import numpy as np
from matplotlib import pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 图像读取
img = cv.imread('./image/dogGauss.jpeg')
# 2 高斯滤波
blur = cv.GaussianBlur(img,(3,3),1)
# 3 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('高斯滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

中值滤波

取中心点所在核的灰度值的中值，作为中心点新的灰度值

中值滤波对椒盐噪声尤为有效，是处理椒盐噪声的首选之一

API

python 复制代码

cv.medianBlur(src, ksize )

示例

python 复制代码

import cv2 as cv
import matplotlib
import numpy as np
from matplotlib import pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 图像读取
img = cv.imread('./image/dogsp.jpeg')
# 2 中值滤波
blur = cv.medianBlur(img,5)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('中值滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

总结

相对于膨胀和腐蚀，开闭运算效果会更好

噪声的消除中，中值滤波和高斯滤波是不错的选择