图像形态学操作对比（Opencv）

形态学基于图像的形状进行操作，用于处理二值化图像，主要包括腐蚀和膨胀两种基本操作。这些操作通常用于去除噪声、分隔或连接相邻的元素以及寻找图像中显著的最大点和最小点。

1. 形态学操作

import cv2
import numpy as np
import matplotlib.pyplot as plot

img = cv2.imread("tmp.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = np.ones((5,5), np.uint8)
img_e = cv2.erode(img, kernel)
img_d = cv2.dilate(img, kernel)

plot.figure(figsize=(12,4));
plot.subplot(1,3,1)
plot.title('source image')
plot.imshow(img)
plot.subplot(1,3,2)
plot.title('erosion')
plot.imshow(img_e)
plot.subplot(1,3,3)
plot.title('dilation')
plot.imshow(img_d)

plot.show()

2. 概念简述

2.1 腐蚀（Erosion）

• 基本原理：腐蚀操作会将图像中的前景区域进行“侵蚀”，缩小物体的边界。核（kernel）会扫描图像的每个像素，如果核覆盖区域的所有像素值都是前景，则该像素保持不变；否则，它将被腐蚀成背景。因此，腐蚀可以有效去除图像中的小细节，比如孤立的噪声点。
• 应用场景：
  • 去除噪声：腐蚀常用于消除图像中的孤立噪声点或小块不需要的细节。
  • 分割连接物体：腐蚀可以用于分离连接较紧密的物体，例如两个接触的物体。

2.2 膨胀（Dilation）

• 基本原理：膨胀操作是腐蚀的反向操作，它通过扩展物体的边界来增加前景区域的面积。核（kernel）扫描图像时，如果核覆盖区域有一个或多个前景像素，那么该像素就会被膨胀为前景。因此，膨胀操作会使物体变大，并且可以填充前景区域中的小空隙或“洞”。
• 应用场景：
  • 增强物体边界：膨胀通常用于在边界模糊的物体中增强边缘，使得物体更加明显。
  • 连接断开的部分：膨胀可以用于连接图像中断开的物体，如中断的线条、文字或其他形状。

2.3 腐蚀与膨胀的结合

腐蚀和膨胀通常结合使用，形成了多种形态学操作：

• 开运算（Opening）：先腐蚀后膨胀，常用于去除小物体或噪声，但保留物体整体结构。
• 闭运算（Closing）：先膨胀后腐蚀，常用于填充物体内部的小空洞，平滑物体边缘。
• 形态学梯度：通过膨胀和腐蚀之间的差异，提取图像边缘

3. 开闭运算

import cv2
import numpy as np
import matplotlib.pyplot as plot

img = cv2.imread("tmp.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
kernel = np.ones((5,5), np.uint8)
img_op = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
img_cl = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
img_gr = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

plot.figure(figsize=(16,4));
plot.subplot(1,4,1)
plot.title('source image')
plot.imshow(img)
plot.subplot(1,4,2)
plot.title('Open')
plot.imshow(img_op)
plot.subplot(1,4,3)
plot.title('Close')
plot.imshow(img_cl)
plot.subplot(1,4,4)
plot.title('Gradient')
plot.imshow(img_gr)

plot.show()

4. Matplotlib显示函数对比

4.1 plot

绘制x，y的一元方程的函数关系图
plot ([x], y, [fmt], **kwargs)

• [x]：横坐标轴数据，可选参数
• y：纵坐标轴数据
• [fmt] ：定义图形的基本样式：颜色，点型，线型
• **Kwargs：不定长的关键字参数，用字典形式设置图形的其他属性，或者重复x,y,fmt用于多条线同时显示

[fmt] 具体形式 ‘[颜色][标记][线型]’，是一个字符串来定义图的基本属性，详细分解如下：

4.2 imshow

创建图像对象并配置其属性，但不会显示图像
imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=None, filternorm=1, filterrad=4.0, imlim=None, resample=None, url=None, *, data=None, **kwargs)：

• X：输入数据。可以是二维数组、三维数组、PIL图像对象、matplotlib路径对象等。
• cmap：颜色映射。用于控制图像中不同数值所对应的颜色。可以选择内置的颜色映射，如gray、hot、jet等，也可以自定义颜色映射。
• norm：用于控制数值的归一化方式。可以选择Normalize、LogNorm等归一化方法。
• aspect：控制图像纵横比（aspect ratio）。可以设置为auto或一个数字。
• interpolation：插值方法。用于控制图像的平滑程度和细节程度。可以选择nearest、bilinear、bicubic等插值方法。
• alpha：图像透明度。取值范围为0~1。
• origin：坐标轴原点的位置。可以设置为upper或lower。
• extent：控制显示的数据范围。可以设置为[xmin, xmax, ymin, ymax]。
• vmin、vmax：控制颜色映射的值域范围。
• filternorm 和 filterrad：用于图像滤波的对象。可以设置为None、antigrain、freetype等。
• imlim： 用于指定图像显示范围。
• resample：用于指定图像重采样方式。
• url：用于指定图像链接。

4.3 显示图像

show
实际上显示所有已经配置好的图形，包括由 imshow 创建的图像，具体步骤概述如下：

1. 导入Matplotlib库：import matplotlib.pyplot as plt
2. 创建图形对象：fig = plt.figure()
3. 绘制图形：使用Matplotlib提供的绘图函数进行绘制，例如plt.plot(y)绘制折线, plt.imshow((x,y))绘制图像等
4. 调用show()函数显示图形：plt.show()

系列文章：

1. opencv常用边缘检测算子示例
2. 图像颜色空间对比（Opencv）
3. 图像变换方式区别对比（Opencv）
4. 常用图像滤波及色彩调节操作（Opencv）
5. 图像形态学操作对比（Opencv）