一：膨胀和腐蚀
原始图像如下：
hw.png
hw_inv.png
如下展示代码：
import numpy as np
import random
import cv2
import matplotlib.pyplot as plt
# 展示图像，封装成函数
def cv_show_image(name, img):
cv2.imshow(name, img)
cv2.waitKey(0) # 等待时间，单位是毫秒，0代表任意键终止
cv2.destroyAllWindows()
# 第一部分：腐蚀和膨胀
# 腐蚀和膨胀的作用用途：
# 1：消除噪声；
# 2：分割出独立的图像元素，在图像中连接相邻的元素；
# 3：寻找图像中明显的极大值或极小值区；
# 3：求出图像的梯度；
# 操作一：腐蚀
# 腐蚀原理：局部最小值(与膨胀相反)；
# 流程：
# 1：定义一个卷积核B，
# 核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点(anchorpoint)；
# 通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜；
# 2：将核B与图像A进行卷积，计算核B覆盖区域的像素点最小值；
# 3：将这个最小值赋值给参考点指定的像素；
# 因此，图像中的高亮区域逐渐减小。
# 效果：
# 腐蚀是图像中的高亮部分被腐蚀掉，领域缩减，效果图拥有比原图更小的高亮区域；去掉毛刺儿（高亮的噪声）
# 先看看在相同核，不同迭代次数的情况下的效果
img = cv2.imread('images/hw.png') # 读取原始图像
print(img.shape)
# cv_show_image('img_src', img)
kernel = np.ones((5, 5), np.uint8)
erosion_it2r_1 = cv2.erode(img, kernel, iterations=1)
erosion_it2r_2 = cv2.erode(img, kernel, iterations=2)
erosion_it2r_3 = cv2.erode(img, kernel, iterations=3)
ret = np.hstack((erosion_it2r_1, erosion_it2r_2, erosion_it2r_3))
cv2.imshow('erosion_diff_iters', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 再看看在不同核，相同迭代次数的情况下的效果
kernel = np.ones((3, 3), np.uint8)
erosion_it2r_2 = cv2.erode(img, kernel, iterations=1)
kernel = np.ones((5, 5), np.uint8)
erosion_it2r_3 = cv2.erode(img, kernel, iterations=1)
ret = np.hstack((erosion_it2r_2, erosion_it2r_3))
cv2.imshow('erosion_diff_kernels', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 操作二：膨胀
# 膨胀原理：求局部最大值；
# 流程：
# 1：定义一个卷积核B，
# 核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点(anchorpoint)；
# 通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜；
# 2：将核B与图像A进行卷积，计算核B覆盖区域的像素点最大值；
# 3：将这个最大值赋值给参考点指定的像素；
# 因此，图像中的高亮区域逐渐增长。
# 效果：
# 膨胀是图像中的高亮部分进行膨胀，领域扩张，效果图拥有比原图更大的高亮区域；；去掉坑洞（黑点的噪声）
img = cv2.imread('images/hw_inv.png') # 读取原始图像
print(img.shape)
# cv_show_image('img_src', img)
kernel = np.ones((5, 5), np.uint8)
erosion_it2r_1 = cv2.dilate(img, kernel, iterations=1)
erosion_it2r_2 = cv2.dilate(img, kernel, iterations=2)
erosion_it2r_3 = cv2.dilate(img, kernel, iterations=3)
ret = np.hstack((erosion_it2r_1, erosion_it2r_2, erosion_it2r_3))
cv2.imshow('dilate_diff_iters', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 再看看在不同核，相同迭代次数的情况下的效果
kernel = np.ones((3, 3), np.uint8)
erosion_it2r_2 = cv2.dilate(img, kernel, iterations=1)
kernel = np.ones((5, 5), np.uint8)
erosion_it2r_3 = cv2.dilate(img, kernel, iterations=1)
ret = np.hstack((erosion_it2r_2, erosion_it2r_3))
cv2.imshow('dilate_diff_kernels', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
不同的迭代次数的腐蚀操作效果如下：
不同的核大小的腐蚀操作效果如下：
不同的迭代次数的膨胀操作效果如下：
不同的核大小的膨胀操作效果如下：
二：开运算和闭运算
# 开运算：先腐蚀再膨胀，能去掉高亮的噪音毛刺儿后，还原回来。
img = cv2.imread('images/hw.png') # 读取原始图像
print(img.shape)
# cv_show_image('img_src', img)
kernel = np.ones((3, 3), np.uint8)
MORPH_OPEN_1 = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
kernel = np.ones((5, 5), np.uint8)
MORPH_OPEN_2 = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
ret = np.hstack((MORPH_OPEN_1, MORPH_OPEN_2))
cv2.imshow('morphologyEx_open_diff_kernels', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 闭运算：先膨胀再腐蚀，能去掉黑暗点的噪音毛刺儿后，还原回来。
img = cv2.imread('images/hw_inv.png') # 读取原始图像
print(img.shape)
# cv_show_image('img_src', img)
kernel = np.ones((3, 3), np.uint8)
MORPH_OPEN_1 = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
kernel = np.ones((5, 5), np.uint8)
MORPH_OPEN_2 = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
ret = np.hstack((MORPH_OPEN_1, MORPH_OPEN_2))
cv2.imshow('morphologyEx_close_diff_kernels', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
不同的核大小的开运算操作效果如下：
不同的核大小的闭运算操作效果如下：
三：礼帽和黑帽
# 礼帽运算：原始输入图像减去开运算结果，能得到所有的高亮的噪音毛刺儿
img = cv2.imread('images/hw.png') # 读取原始图像
print(img.shape)
# cv_show_image('img_src', img)
kernel = np.ones((3, 3), np.uint8)
MORPH_TOPHAT_1 = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
kernel = np.ones((5, 5), np.uint8)
MORPH_TOPHAT_2 = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
ret = np.hstack((MORPH_TOPHAT_1, MORPH_TOPHAT_2))
cv2.imshow('morphologyEx_tophat_diff_kernels', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 黑运算：闭运算结果减去原始输入图像，能得到所有的黑色点的噪音毛刺儿
img = cv2.imread('images/hw_inv.png') # 读取原始图像
print(img.shape)
# cv_show_image('img_src', img)
kernel = np.ones((3, 3), np.uint8)
MORPH_BLACKHAT_1 = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
kernel = np.ones((5, 5), np.uint8)
MORPH_BLACKHAT_2 = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
ret = np.hstack((MORPH_BLACKHAT_1, MORPH_BLACKHAT_2))
cv2.imshow('morphologyEx_blackhat_diff_kernels', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
不同的核大小的礼帽运算操作效果如下：
不同的核大小的黑帽开运算操作效果如下：
