Python OpenCV — морфологические операции

Python OpenCV Морфологические операции — это один из методов обработки изображений, который обрабатывает изображение на основе формы. Эта стратегия обработки обычно применяется к бинарным изображениям.

Морфологические операции на основе OpenCV следующие:

• Erosion
• Dilation
• Opening
• Closing
• Morphological Gradient
• Top hat
• Black hat

Для всех вышеперечисленных методов двумя важными требованиями являются бинарное изображение и элемент структурирования ядра, который используется для скольжения по изображению.

Изображения, использованные для демонстрации

Использованные изображения

Использованные изображения

Erosion

Эрозия в первую очередь связана с эрозией внешней поверхности (переднего плана) изображения. Поскольку бинарные изображения содержат только два пикселя 0 и 255, это в первую очередь связано с эрозией переднего плана изображения, и предлагается, чтобы передний план был белым. Толщина эрозии зависит от размера и формы определяемого ядра. Мы можем использовать функцию one() NumPy для определения ядра. Существует множество других функций, таких как нули NumPy, настраиваемые ядра и другие, которые можно использовать для определения ядер в зависимости от рассматриваемой проблемы.

Код:

• Импортируйте необходимые пакеты, как показано
• Прочитать изображение
• Бинаризация изображения.
• Поскольку рекомендуется сохранять передний план белым, мы выполняем операцию инвертирования OpenCV на двоичном изображении, чтобы сделать передний план белым.
• Мы определяем ядро ​​​​5 × 5, заполненное единицами
• Затем мы можем использовать функцию Opencv erode(), чтобы размыть границы изображения.

Python3

# import the necessary packages

import cv2

import numpy as np

import matplotlib.pyplot as plt

 

# read the image

img = cv2.imread(r"ownloads\test (2).png", 0)

 

# binarize the image

binr = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]

 

# define the kernel

kernel = np.ones((5, 5), np.uint8)

 

# invert the image

invert = cv2.bitwise_not(binr)

 

# erode the image

erosion = cv2.erode(invert, kernel,

                    iterations=1)

 

# print the output

plt.imshow(erosion, cmap='gray')

Выход:

На выходе должно получиться более тонкое изображение, чем исходное.

Dilation

Расширение включает расширение внешней поверхности (переднего плана) изображения. Поскольку бинарные изображения содержат только два пикселя 0 и 255, это в первую очередь связано с расширением переднего плана изображения, и предлагается, чтобы передний план был белым. Толщина эрозии зависит от размера и формы определяемого ядра. Мы можем использовать функцию one() NumPy для определения ядра. Существует множество других функций, таких как нули NumPy, настраиваемые ядра и другие, которые можно использовать для определения ядер в зависимости от решаемой проблемы. Это прямо противоположно операции эрозии.

Код:

• Импортируйте необходимые пакеты, как показано
• Прочитать изображение
• Бинаризация изображения.
• Поскольку рекомендуется сохранять передний план белым, мы выполняем операцию инвертирования OpenCV на двоичном изображении, чтобы сделать передний план белым.
• Мы определяем ядро ​​3×3, заполненное единицами
• Затем мы можем использовать функцию Opencv dilate() для расширения границ изображения.

Python 3

import cv2

 

# read the image

img = cv2.imread(r"path to image", 0)

 

# binarize the image

binr = cv2.threshold(img, 0, 255, cv.THRESH_BINARY+cv.THRESH_OTSU)[1]

 

# define the kernel

kernel = np.ones((3, 3), np.uint8)

 

# invert the image

invert = cv2.bitwise_not(binr)

 

# dilate the image

dilation = cv2.dilate(invert, kernel, iterations=1)

 

# print the output

plt.imshow(dilation, cmap='gray')

Выход:

На выходе должно получиться более толстое изображение, чем исходное.

Opening

Открытие включает эрозию с последующим расширением внешней поверхности (переднего плана) изображения. Здесь применимы все указанные выше ограничения на эрозию и расширение. Это смесь двух основных методов. Обычно используется для удаления шума на изображении.

Код:

• Импортируйте необходимые пакеты, как показано
• Прочитать изображение
• Бинаризация изображения.
• Мы определяем ядро ​​3×3, заполненное единицами
• Затем мы можем использовать функцию Opencv cv.morphologyEx() для выполнения операции открытия изображения.

Python 3

# import the necessary packages

import cv2

 

# read the image

img = cv2.imread(r"\noise.png", 0)

 

# binarize the image

binr = cv2.threshold(img, 0, 255,

                     cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]

 

# define the kernel

kernel = np.ones((3, 3), np.uint8)

 

# opening the image

opening = cv2.morphologyEx(binr, cv2.MORPH_OPEN,

                           kernel, iterations=1)

# print the output

plt.imshow(opening, cmap='gray')

Выход:

Closing

Закрытие включает расширение с последующей эрозией внешней поверхности (переднего плана) изображения. Здесь применимы все указанные выше ограничения на эрозию и расширение. Это смесь двух основных методов. Обычно используется для удаления шума на изображении.

Код:

• Импортируйте необходимые пакеты, как показано
• Прочитать изображение
• Бинаризация изображения.
• Мы определяем ядро ​​3×3, заполненное единицами
• Затем мы можем использовать функцию Opencv cv.morphologyEx() для выполнения операции закрытия изображения.

Python 3

# import the necessary packages

import cv2

 

# read the image

img = cv2.imread(r"\Images\noise.png", 0)

 

# binarize the image

binr = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]

 

# define the kernel

kernel = np.ones((3, 3), np.uint8)

 

# opening the image

closing = cv2.morphologyEx(binr, cv2.MORPH_CLOSE, kernel, iterations=1)

 

# print the output

plt.imshow(closing, cmap='gray')

Выход:

Morphological Gradient

Морфологический градиент немного отличается от других операций, потому что морфологический градиент сначала применяет к изображению эрозию и расширение по отдельности, а затем вычисляет разницу между размытым и расширенным изображением. На выходе будет схема данного изображения.

Код:

• Импортируйте необходимые пакеты, как показано
• Прочитать изображение
• Бинаризация изображения.
• Поскольку рекомендуется сохранять передний план белым, мы выполняем операцию инвертирования OpenCV на двоичном изображении, чтобы сделать передний план белым.
• Мы определяем ядро ​​3×3, заполненное единицами
• Затем мы можем использовать функцию Opencv cv.morphologyEx() для выполнения морфологического градиента на изображении.

Python 3

# import the necessary packages

import cv2

 

# read the image

img = cv2.imread(r"path to your image", 0)

 

# binarize the image

binr = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]

 

# define the kernel

kernel = np.ones((3, 3), np.uint8)

 

# invert the image

invert = cv2.bitwise_not(binr)

 

# use morph gradient

morph_gradient = cv2.morphologyEx(invert,

                                  cv2.MORPH_GRADIENT, 

                                  kernel)

 

# print the output

plt.imshow(morph_gradient, cmap='gray')

Выход:

Top Hat

Top Hat — это еще одна морфологическая операция, в которой открытие выполняется над бинарным изображением, а результатом этой операции является разница между входным изображением и открытым изображением.

Код:

• Импортируйте необходимые пакеты, как показано.
• Прочитайте изображение.
• Бинаризация изображения.
• Мы определяем ядро ​​13×13, заполненное единицами.
• Затем мы можем использовать функцию Opencv cv.morphologyEx() для выполнения операции Top Hat над изображением.

Python 3

# import the necessary packages

import cv2

 

# read the image

img = cv2.imread("your image path", 0)

 

# binarize the image

binr = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]

 

# define the kernel

kernel = np.ones((13, 13), np.uint8)

 

# use morph gradient

morph_gradient = cv2.morphologyEx(binr,

                                  cv2.MORPH_TOPHAT,

                                  kernel)

# print the output

plt.imshow(morph_gradient, cmap='gray')

Выход: