OPENCV(python)--初学之路（六）

WGK1005

1786人浏览 · 2025-11-23 16:59:02

WGK1005 · 2025-11-23 16:59:02 发布

一前言

今天依旧不是很舒服但是还是学习，今天算是正常更新，大家一起努力吧！

二主要内容--形态转换

为了大家能更直观看到效果，我会把运行结果截图放上来，。

这幅图是原图示例

1腐蚀

腐蚀的基本概念就像土壤侵蚀一样，只侵蚀前景对象的边界（总是尽量保持前景为白色）。那它有什么作用呢？内核在图像中滑动（如二维卷积）。只有当内核下的所有像素都为 1 时，原始图像中的像素（1 或 0）才会被视为 1，否则会被侵蚀（变为零）。

所以根据内核的大小，边界附近的所有像素都将被丢弃。因此，前景对象的厚度或大小在图像中减少或只是白色区域减少。它有助于消除小的白色噪音（如我们在“颜色空间”一章中所看到的），分离两个连接的对象等。

cv.erode() 是 OpenCV 中的腐蚀函数，用于形态学图像处理

eroded = cv.erode(src, kernel, iterations=1)

参数介绍：

src: 输入图像（通常是二值图像）
kernel: 结构元素（卷积核）
iterations: 腐蚀操作的迭代次数（默认1次）

作为一个例子，我将使用一个 5x5 内核，内核元素均为1。让我们看看它是如何工作的

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

# 读取图像文件
img = cv.imread('test.jpg')

# 应用5x5均值模糊
blur = cv.blur(img, (5,5))

# 创建1行2列的子图布局
plt.subplot(121)
plt.imshow(img)
plt.title('Original')
plt.xticks([]), plt.yticks([])  # 隐藏坐标轴刻度

plt.subplot(122)
plt.imshow(blur)
plt.title('Blurred')
plt.xticks([]), plt.yticks([])

# 显示图像对比
plt.show()

2膨胀

它与腐蚀正好相反。这里，如果内核下至少有一个像素为“1”，则像素元素为“1”。所以它会增加图像中的白色区域，或者增加前景对象的大小。通常情况下，在去除噪音的情况下，腐蚀后会膨胀。因为，腐蚀消除了白噪声，但它也缩小了我们的对象。所以我们扩大它。由于噪音消失了，它们不会再回来，但我们的目标区域会增加到腐蚀之前的状态。它还可用于连接对象的断开部分

膨胀函数与腐蚀函数相对

dilation = cv.dilate(src, kernel, iterations=1)

参数说明：

src: 输入图像（通常是二值图像）
kernel: 结构元素（卷积核）
iterations: 膨胀操作的迭代次数（默认1次）

代码如下：

img = cv.imread('open.jpg')
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
_, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)

kernel = np.ones((5,5), np.uint8)
erosion = cv.erode(binary, kernel, iterations=1)
dilation = cv.dilate(binary, kernel, iterations=1)

plt.figure(figsize=(12,4))
plt.subplot(141), plt.imshow(binary, cmap='gray')
plt.title('Original Binary'), plt.xticks([]), plt.yticks([])
plt.subplot(142), plt.imshow(erosion, cmap='gray')
plt.title('Erosion'), plt.xticks([]), plt.yticks([])
plt.subplot(143), plt.imshow(dilation, cmap='gray')
plt.title('Dilation'), plt.xticks([]), plt.yticks([])
plt.show()

结果对比：

腐蚀 vs 膨胀的效果：

腐蚀 (Erosion):
- 缩小白色区域
- 消除小的白色噪点
- 分离相连的物体
膨胀 (Dilation):
- 扩大白色区域
- 填充小的黑色空洞
- 连接相近的物体

3cv.morphologyEx()系列

开只是腐蚀的另一个名称，随后是膨胀。正如我们上面所解释的，它对消除噪音很有用。在这里，我们使用 cv.morphologyEx()。（此函数较为重要，后续几个内容将围绕它来讲，做好准备）

result = cv.morphologyEx(src, op, kernel, iterations=1)

参数说明：

src: 输入图像
op: 形态学操作类型
kernel: 结构元素
iterations: 操作迭代次数

1.开运算

opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

效果: 先腐蚀后膨胀
用途: 去除小的白色噪点，平滑轮廓

2闭运算

closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

效果: 先膨胀后腐蚀
用途: 填充小的黑色空洞，连接断开的区域

3形态梯度

它是图像的膨胀和腐蚀之间的差值。

结果将类似于对象的轮廓。

gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

效果: 膨胀结果减去腐蚀结果
用途: 获取物体边缘

4顶帽运算

tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

效果: 原图减去开运算结果
用途: 提取亮色的微小细节

5黑帽运算

blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

效果: 闭运算结果减去原图
用途: 提取暗色的微小细节

五种效果的代码如下：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

# 图像读取与预处理
img = cv.imread('open.jpg')
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)

# 二值化处理
_, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)

# 创建形态学核
kernel_rect = cv.getStructuringElement(cv.MORPH_RECT, (5,5))
kernel_ellipse = cv.getStructuringElement(cv.MORPH_ELLIPSE, (5,5))
kernel_cross = cv.getStructuringElement(cv.MORPH_CROSS, (5,5))

# 形态学操作应用
opening = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel_rect)
closing = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel_rect)
gradient = cv.morphologyEx(binary, cv.MORPH_GRADIENT, kernel_rect)
tophat = cv.morphologyEx(binary, cv.MORPH_TOPHAT, kernel_rect)

# 结果可视化
plt.figure(figsize=(15,10))

plt.subplot(231), plt.imshow(binary, cmap='gray')
plt.title('Original Binary'), plt.xticks([]), plt.yticks([])

plt.subplot(232), plt.imshow(opening, cmap='gray')
plt.title('Opening'), plt.xticks([]), plt.yticks([])

plt.subplot(233), plt.imshow(closing, cmap='gray')
plt.title('Closing'), plt.xticks([]), plt.yticks([])

plt.subplot(234), plt.imshow(gradient, cmap='gray')
plt.title('Gradient'), plt.xticks([]), plt.yticks([])

plt.subplot(235), plt.imshow(tophat, cmap='gray')
plt.title('Top Hat'), plt.xticks([]), plt.yticks([])

plt.tight_layout()
plt.show()