形状学操作和图画梯度

一、形状学操作

主要有胀大、腐蚀、开(先腐蚀后胀大)、闭(线胀大后腐蚀)操作。用到的函数有：cv.erode(), cv.dilate(), cv.morphologyEx()

用法如下：

cv.erode( src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] ) -> dst
cv.dilate( src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] ) -> dst
cv.morphologyEx( src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] ) -> dst

二、概念

形状学变换是基于图画形状的一些简略操作。它通常在二值图画上履行。它需求两个输入，一个是咱们的原始图画，第二个是所谓的结构元素或中心，这决定了操作的性质。两个根本的形状学算子是腐蚀和胀大。然后它的变体方式，如开，闭操作，核算梯度等。

1. 腐蚀操作

腐蚀的根本概念就像土壤腐蚀一样，它腐蚀了远景物体的鸿沟(一般将远景设置为白色，背景设置为黑色)。内核滑过图画(就像2D 卷积)。只有当内核下的一切像素都为1(远景)时，原始图画的扫描内核中心的一个像素(1或0)才被认为是1，不然它就会被腐蚀(变为零)。

因而，一切接近鸿沟的像素将被丢掉。因而，远景物体的边际被腐蚀，或许仅仅是图画中的白色区域减小。它对去除小的白噪声，别离两个衔接的对象等很有用。

import cv2 as cv
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
%matplotlib inline

def cv_show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)
    cv.destroyAllWindows()

def compare(imgs):
  #  for i in range(len(imgs)):
 #       imgs[i][:,-3:-1,:] = [255,255,255]
    res = np.hstack(imgs)
    cv_show('Compare', res)

img = cv.imread('fur.png')
# 胀大和腐蚀都需求自定义内核
kernel = np.ones((3, 3), np.uint8)
e = cv.erode(img,kernel)
compare([img, e])

能够看出一些毛毛刺刺被去除，可是原文本也被腐蚀了一部分

2. 胀大操作

与腐蚀操作作用相反。假如内核下只要有一个像素是“1”，那么内核中心像素元素便是“1”。因而，它增加了图画中的白色区域或远景物体的巨细增加。通常情况下，在去除噪音的情况下，腐蚀之后是胀大(也便是开操作)。因为，腐蚀除去了白色的噪音，但它也缩小了咱们的对象。所以咱们扩张它。因为噪音消失了，它们不会再回来，可是咱们的目标区域增大了。它也能够用来衔接一个物体的破损部分。

img = cv.imread('fur.png')
# 胀大和腐蚀都需求自定义内核
kernel = np.ones((3, 3), np.uint8)
e = cv.erode(img,kernel)
d_1 = cv.dilate(img, kernel)
d_2 = cv.dilate(e,kernel)
compare([e, d_1, d_2])

3. 开操作

开操作只是先腐蚀后胀大合并的一个名称。上面的例子表明，它在消除噪音方面很有用。这里咱们运用函数cv.morphologyEx()

cv.morphologyEx函数的第二个参数一共有五种取值：

cv.MORPH_OPEN ：开操作，先腐蚀后胀大
cv.MORPH_ClOSE：闭操作，先胀大后腐蚀
cv.MORPH_GRADIENT：提取鸿沟，利用胀大的成果减去腐蚀的成果
cv.MORPH_TOPHAT: 输入图画减去开操作成果。
cv.MORPH_BLACKHAT：输入图画减去闭操作成果

img = cv.imread('fur.png')
# 第二个参数是形状学操作的取值
kernel = np.ones((3, 3), np.uint8)
res = cv.morphologyEx(img, cv.MORPH_OPEN,kernel )
compare([img, res])

4. 闭操作

闭操作是开操作的敌对操作，闭操作先胀大后腐蚀。它在修补远景物体内部的小洞或物体上的小黑点时很有用。

img = cv.imread('fur.png')
kernel = np.ones((3,3), np.uint8)
closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)
compare([img, closing])

5. 求梯度

这是一个图画的胀大操作减去腐蚀操作所得成果，成果看起来就像物体的轮廓。

img = cv.imread('fur.png')
kernel = np.ones((3,3), np.uint8)
gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)
compare([img, gradient])

6. 弁冕操作

输入图画减去开操作所得图画。

img = cv.imread('fur.png')
kernel = np.ones((3,3), np.uint8)
tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)
compare([img, tophat])

7. 黑帽操作

输入图画减去关操作所的成果

img = cv.imread('fur.png')
kernel = np.ones((3,3), np.uint8)
blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)
compare([img, blackhat])

8. 构建元素

在前面的示例中，咱们凭借 Numpy 手动创建了一个结构元素。它是长方形的。但在某些情况下，您可能需求椭圆形或圆形的内核。因而，为此，OpenCV 有一个函数 cv.getStructuringElement ()。您只需传递内核的形状和巨细，就能够得到所需的内核。

内核形状有如下选项：

cv.MORPH_RECT
cv.MORPH_ELLIPSE
cv.MORPH_CROSS

# Rectangular Kernel
cv.getStructuringElement(cv.MORPH_RECT,(5,5))

array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=uint8)

# Elliptical Kernel 椭圆内核
cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))

array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)

# Cross-shaped Kernel
cv.getStructuringElement(cv.MORPH_CROSS,(5,5))

array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)

# 作用对比
img = cv.imread('fur.png')
kernel_cross = cv.getStructuringElement(cv.MORPH_CROSS,(3,3))
kernel_rect = cv.getStructuringElement(cv.MORPH_RECT,(3,3))
cross = cv.morphologyEx(img, cv.MORPH_OPEN, kernel_cross)
rect = cv.morphologyEx(img, cv.MORPH_OPEN, kernel_rect)
compare([img, cross, rect])

能够看出，自定义的cross内核仍留下了以下白色斑驳，而rect内核得到了较为清晰的作用

三、图画梯度

本节包括对图画梯度和边际的一些介绍，主要由以下函数 cv.Sobel(), cv.Scharr(), cv.Laplacian()。

1. 概念

OpenCV 供给三种类型的梯度过滤器或高经过滤器：Sobel、Scharr和Laplacian，下面进行详细介绍

三者用法如下：

cv.Sobel( src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]] ) -> dst
cv.Scharr( src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]] ) -> dst
cv.Laplacian( src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]] ) -> dst

其间的ddepth代表了成果图画的通道数，-1则和输入图画保持一致。dx、dy别离代表了对x、y的导数阶数。

2. Sobel和Scharr概念

Sobel算子是联合高斯平滑加微分运算，所以抗噪声能力更强。您能够指定要采用的导数方向，笔直或水平（别离经过参数 yorder 和 xorder）。您还能够经过参数 ksize 指定内核的巨细。假如 ksize = -1，则运用 3×3 Scharr 过滤器的得到的成果要比 3 x 3 Sobel过滤器成果更好。

三阶Sobel梯度矩阵： $Gx=[−10+1−20+2−10+1]∗AandGy=[−1−2−1000+1+2+1]∗A\mathbf{G}_{x}=\left[\begin{array}{ccc} -1 & 0 & +1 \\ -2 & 0 & +2 \\ -1 & 0 & +1 \end{array}\right] * \mathbf{A} \quad \text { and } \quad \mathbf{G}_{y}=\left[\begin{array}{ccc} -1 & -2 & -1 \\ 0 & 0 & 0 \\ +1 & +2 & +1 \end{array}\right] * \mathbf{A}$ 核算得出负数成果或许超过了K比特上限时会进行切断：取为0或(2^k – 1)，所以一般咱们会别离求出对x的导数(运用cv.convertScaleAbs取绝对值)，在求对y的导数(取绝对值)后，运用cv.addWeighted()将两者相加
三阶Scharr梯度矩阵: $Gx=[−303−10010−303]Gy=[−3−10−30003103]G_{x}=\left[\begin{array}{ccc} -3 & 0 & 3 \\ -10 & 0 & 10 \\ -3 & 0 & 3 \end{array}\right] \\ G_{y}=\left[\begin{array}{ccc} -3 & -10 & -3 \\ 0 & 0 & 0 \\ 3 & 10 & 3 \end{array}\right]$ 核算方式同上

3. Laplacian 概念

它核算由联系 $sr=∂2src∂x2+∂2src∂y2\Delta sr =\frac{\partial^{2}src}{\partial x^{2}}+\frac{\partial^{2} src}{\partial y^{2}}$ 给出的图画的拉普拉斯算子，其间每个导数都是运用 Sobel 导数找到的。假如 ksize = 1，则运用以下内核进行过滤： $\begin{bmatrix} 0 & 1 &0 \\ 1 & -4 &1 \\ 0 &1 &0 \end{bmatrix}$

img = cv.imread('chessboard.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
laplacian = cv.Laplacian(gray,cv.CV_64F)
sobelx = cv.Sobel(gray,cv.CV_64F,1,0,ksize=5)
sobely = cv.Sobel(gray,cv.CV_64F,0,1,ksize=5)
compare([ sobelx, sobely, laplacian])

4. 一个重要示例

在上一个示例中，输出数据类型为 cv_8U 或 np.uint8。可是有一个小小的问题。是非过渡视为正斜率(具有正值) ，白白过渡视为负斜率(具有负值)。所以当你把数据转换成 np.uint8时，一切的负斜率都变成了零。简略地说，你错过了这个边际。

假如你想检测两个边际，更好的挑选是将输出数据类型保持为更高的方式，如 cv.CV_16S、cv.CV_64F 等，取其绝对值，然后转换回 cv.CV_8U。下面的代码演示了水平 Sobel 滤波器的此进程和成果差异。

img = cv.imread('round.png',0)
# 导致负值归0
sobelx8u = cv.Sobel(img,cv.CV_8U,1,0,ksize=3)
# Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
sobelx64f = cv.Sobel(img,cv.CV_64F,1,0,ksize=3)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)
plt.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2),plt.imshow(sobelx8u,cmap = 'gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3),plt.imshow(sobel_8u,cmap = 'gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()

5. Sobel算子的绝对值转化示例

首要咱们直接运用Sobel算子核算梯度时，因为sobel算子的核算方向是左减右，下减上。故有时候会形成负值现象，当传入的ddepth为 cv.CV_64F时，会对图画进行切断，导致负数显现不出来，所以咱们进行绝对值转换。

# 核算梯度和阈值处理时，最好输入灰度图画
img = cv.imread('round.png',0)
sobel_x = cv.Sobel(img, cv.CV_64F, 1,0 ,ksize = 3)
sobel_X = cv.convertScaleAbs(sobel_x)
compare([img, sobel_x, sobel_X])

# 同理咱们能够得到y方向的绝对值
sobel_y = cv.Sobel(img, cv.CV_64F, 0, 1,ksize = 3)
sobel_Y = cv.convertScaleAbs(sobel_y)
compare([img, sobel_y, sobel_Y])

# 假如直接出入 dx =1 ，dy =1 则核算出来的成果不如别离核算后相加来得明了
Sobel_xy = cv.convertScaleAbs(cv.Sobel(img, cv.CV_64F, 1, 1 , ksize = 3))
Sobel_XY = cv.addWeighted(sobel_X, 0.5, sobel_Y, 0.5, 0)
compare([Sobel_xy, Sobel_XY])

显着，别离核算后再相加所得的边际没有重影且愈加显着

OpenCV Tutorials 05 – 形态学操作和图像梯度

形状学操作和图画梯度

一、形状学操作

二、概念

1. 腐蚀操作

2. 胀大操作

3. 开操作

4. 闭操作

5. 求梯度

6. 弁冕操作

7. 黑帽操作

8. 构建元素

三、图画梯度

1. 概念

2. Sobel和Scharr概念

3. Laplacian 概念

4. 一个重要示例

5. Sobel算子的绝对值转化示例

作者信息

OpenCV Tutorials 05 – 形态学操作和图像梯度

形状学操作和图画梯度

一、形状学操作

二、概念

1. 腐蚀操作

2. 胀大操作

3. 开操作

4. 闭操作

5. 求梯度

6. 弁冕操作

7. 黑帽操作

8. 构建元素

三、图画梯度

1. 概念

2. Sobel和Scharr概念

3. Laplacian 概念

4. 一个重要示例

5. Sobel算子的绝对值转化示例

相关文章

Intellij idea高效使用教程

《Delta Lake Up & Running》第二章：开始使用Delta Lake

还在玩传统终端，不妨来试试全新 AI 终端 Warp

零拷贝浅析

作者信息