本节主要介绍形态学的一些操作运算，通过代码跟效果可以清楚地认识到其大概的意思。
形态学-腐蚀操作
通常都是二值的图像来做腐蚀操作。腐蚀的大概意思就是往里面缩一些。
import cv2 import numpy as np img = cv2.imread('dige.png') cv2.imshow('dige', img) kernel = np.ones((3, 5), np.uint8) erosion = cv2.erode(img,kernel,iterations = 1) #迭代次数表示做几次腐蚀操作 cv2.imshow('corrosion',erosion) cv2.waitKey(0) cv2.destroyAllWindows()
其结果如下图所示，可以看出腐蚀能够将边缘地小刺给清除掉：
形态学-膨胀操作
通常都是二值的图像来做腐蚀操作。膨胀的大概意思就是往外面扩一些。
import cv2 import numpy as np img = cv2.imread('dige.png') kernel = np.ones((3,3), np.uint8) dilate = cv2.dilate(img, kernel, iterations=1) cv2.imshow('img', img) cv2.imshow('erosion', dilate) cv2.waitKey(0) cv2.destroyAllWindows()
其结果如下图所示，可以看出膨胀之后白线都变粗了：
开运算
开：先腐蚀，再膨胀，这个操作能够将主体被腐蚀地部分补偿回去，但是边缘的毛刺很好的被清除掉。
import numpy as np import cv2 img = cv2.imread('dige.png') kernel = np.ones((5,5), np.uint8) opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) cv2.imshow('opening', opening) cv2.waitKey(0) cv2.destroyAllWindows()
其结果如下图所示，可以看出效果比较好：
闭运算
闭：先膨胀，再腐蚀，这个就对边缘的毛刺没有什么清除效果。
import numpy as np import cv2 img = cv2.imread('dige.png') kernel = np.ones((5,5), np.uint8) opening = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) cv2.imshow('closing', opening) cv2.waitKey(0) cv2.destroyAllWindows()
其结果如下图所示：
梯度运算
梯度=膨胀-腐蚀，这是另一种计算图像边缘的方法，具体理解的话需要看一下实验结果：
import cv2 import numpy as np pie = cv2.imread('pie.png') kernel = np.ones((2,2),np.uint8) gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel) cv2.imshow('gradient', gradient) cv2.waitKey(0) cv2.destroyAllWindows()
其结果如下图所示：
礼帽与黑帽
礼帽 = 原始输入-开运算结果
黑帽 = 闭运算-原始输入。
import cv2 import numpy as np img = cv2.imread('dige.png') kernel = np.ones((7,7),np.uint8) tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) cv2.imshow('tophat', tophat) cv2.waitKey(0) cv2.destroyAllWindows()
其结果如下图所示：
import cv2 import numpy as np img = cv2.imread('dige.png') kernel = np.ones((7,7),np.uint8) blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel) cv2.imshow('blackhat', blackhat) cv2.waitKey(0) cv2.destroyAllWindows()
其结果如下图所示：
我的微信公众号名称：深度学习与先进智能决策
微信公众号ID：MultiAgent1024
公众号介绍：主要研究分享深度学习、机器博弈、强化学习等相关内容！期待您的关注，欢迎一起学习交流进步！
