知识重点

二值化操作 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)，对灰度图像操作, 全局阈值，整幅图像采用同一个数作为阈值。
自适应阈值二值化 dst = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 9, 7) 此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。
腐蚀操作 dst = cv2.erode(img, kernel, iterations = 2) 腐蚀操作也是用卷积核扫描图像, 去除图片中的噪点, 只不过腐蚀操作的卷积和一般都是1, 如果卷积核内所有像素点都是白色, 那么锚点即为白色. iterations是腐蚀操作的迭代次数, 次数越多, 腐蚀效果越明显。
- getStructuringElement(shape, ksize[, anchor]) opencv提供了获取卷积核的api.不需要我们手工创建卷积核.shape是指卷积核的形状, 注意不是指长宽, 是指卷积核中1形成的形状.
膨胀操作 dst = cv2.dilate(img, kernel, iterations = 1) 实现对图像的膨胀操作
开运算 dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) 开运算 = 腐蚀 + 膨胀去除图像外部的噪点 .
闭运算 dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) 闭运算 = 膨胀 + 腐蚀填充图像内部的噪点 .
形态学梯度 dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel) 梯度 = 原图 - 腐蚀, 腐蚀之后原图边缘变小了, 原图 - 腐蚀就可以得到腐蚀掉的部分, 即边缘.
顶帽运算 dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel,iterations = 2) 顶帽 = 原图 - 开运算开运算的效果是去除图像外的噪点, 原图 - 开运算就得到了去掉的噪点.
黑帽操作 dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations = 2)
- 黑帽 = 原图 - 闭运算闭运算可以将图形内部的噪点去掉, 那么原图 - 闭运算的结果就是图形内部的噪点.

6. 形态学

6.1 形态学概述

什么是形态学

指一系列处理图像形状特征的图像处理技术
形态学的基本思想是利用一种特殊的结构元(本质上就是卷积核)来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别。
这些处理方法基本是对二进制图像进行处理, 即黑白图像
卷积核决定着图像处理后的效果
形态学常用基本操作有:
- 膨胀和腐蚀
- 开运算
- 闭运算
- 顶帽
- 黑帽

6.2 图像全局二值化

二值化: 将图像的每个像素变成两种值, 比如0, 255.
threshold(src, thresh, maxval, type[, dst])
- src 最好是灰度图
- thresh: 阈值
- maxval: 最大值, 最大值不一定是255
- type: 操作类型. 常见操作类型如下:

# 常见如黑白图 
import cv2
import numpy as np

img = cv2.imread('./dog.jpeg')
# 二值化操作，对灰度图像操作
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 返回两个值，一个是阈值，一个是二值化处理后的图片
thresh, dst = cv2.threshold(gray, 90, 255, cv2.THRESH_BINARY)

cv2.imshow('dog', np.hstack((gray, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6.3 自适应阈值二值化

在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。当时这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
这种方法需要我们指定六个参数，返回值只有一个。
- Adaptive Method - 指定计算阈值的方法。
  - cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
  - cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。
- Block Size - 邻域大小（用来计算阈值的区域大小）。
- C - 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数。

import cv2
import numpy as np

img = cv2.imread('./dog.jpeg')
# 二值化操作，对灰度图像操作
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 自适应阈值二值化只有一个返回值
dst = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                            cv2.THRESH_BINARY, 9, 7)

# 展示
cv2.imshow('dog', np.hstack((gray, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6.4 腐蚀操作

腐蚀操作也是用卷积核扫描图像, 只不过腐蚀操作的卷积和一般都是1, 如果卷积核内所有像素点都是白色, 那么锚点即为白色.
大部分时候腐蚀操作使用的都是全为1的卷积核.

erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
- iterations是腐蚀操作的迭代次数, 次数越多, 腐蚀操作执行的次数越多, 腐蚀效果越明显.

import cv2
import numpy as np

# 导入图片
img = cv2.imread('./msb.png')
# 定义核
kernel = np.ones((3, 3), np.uint8)
dst = cv2.erode(img, kernel, iterations = 2)

cv2.imshow('img', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6.5 获取形态学卷积核

opencv提供了获取卷积核的api.不需要我们手工创建卷积核.
getStructuringElement(shape, ksize[, anchor])
- shape是指卷积核的形状, 注意不是指长宽, 是指卷积核中1形成的形状.
  - MORPH_RECT 卷积核中的1是矩形, 常用.
  - MORPH_ELLIPSE 椭圆
  - MORPH_CROSS 十字

import cv2
import numpy as np

img = cv2.imread('./j.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))  # 卷积核
print(kernel)
# 腐蚀
dst = cv2.erode(img, kernel)  

cv2.imshow('img', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6.6 膨胀操作

膨胀是腐蚀的相反操作, 基本原理是只要保证卷积核的锚点是非0值, 周边无论是0还是非0值, 都变成非0值.

dilate(img, kernel, iterations=1)
膨胀, 使用原图轮廓增加

import cv2
import numpy as np

img = cv2.imread('./msb.png')
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5,5))
print(kernel)
dst = cv2.dilate(img, kernel, iterations = 1)

cv2.imshow('img', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6.7 开运算

开运算和闭运算都是腐蚀和膨胀的基本应用.
开运算 = 腐蚀 + 膨胀
morphologyEx(img, MORPH_OPEN, kernel)
- MORPH_OPEN 表示形态学的开运算
- kernel 如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel

# 开运算
import cv2
import numpy as np

# 开运算 = 腐蚀 + 膨胀 去噪声
img = cv2.imread('./dotj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 9))
# 调用OpenCV 提供的 api
dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('img', np.hstack((img ,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6.8 闭运算

闭运算 = 膨胀 + 腐蚀
填充图像内部的噪点 .

import cv2
import numpy as np

img = cv2.imread('./dotinj.png')
# 闭运算
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 9))
# 调用OpenCV 提供的 api
dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('img', np.hstack((img ,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6.9 形态学梯度

梯度 = 原图 - 腐蚀
腐蚀之后原图边缘变小了, 原图 - 腐蚀就可以得到腐蚀掉的部分, 即边缘.

import cv2
import numpy as np

img = cv2.imread('./msb.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,2))
# 调用OpenCV 提供的 api
dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('img', np.hstack((img ,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6.10 顶帽运算

顶帽 = 原图 - 开运算
开运算的效果是去除图像外的噪点, 原图 - 开运算就得到了去掉的噪点.

# 留下噪声
import cv2
import numpy as np

img = cv2.imread('./dotj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
# 调用OpenCV 提供的 api
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel,iterations = 2)

cv2.imshow('img', np.hstack((img ,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

右图为顶帽操作结果 .

6.11 黑帽操作

黑帽 = 原图 - 闭运算
闭运算可以将图形内部的噪点去掉, 那么原图 - 闭运算的结果就是图形内部的噪点.

# 留下图形内部的噪点
import cv2
import numpy as np

img = cv2.imread('./dotinj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
# 调用OpenCV 提供的 api
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations = 2)

cv2.imshow('img', np.hstack((img ,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()