连通性
在图像中,最⼩的单位是像素,每个像素周围有8个邻接像素,常⻅的邻接关系有3 种:4邻接、8邻接和D邻接。分别如下图所示:
4邻接:像素p(x,y)的4邻域是:(x+1,y);(x-1,y);(x,y+1);(x,y-1),⽤N (p)表示像素p的4邻接 D邻接
像素p(x,y)的D邻域是:对⻆上的点 (x+1,y+1);(x+1,y-1);(x1,y+1);(x-1,y-1),⽤N (p)表示像素p的D邻域
8邻接:像素p(x,y)的8邻域是: 4邻域的点 + D邻域的点,⽤N (p)表示像素p 的8邻域
连通性是描述区域和边界的重要概念,两个像素连通的两个必要条件是:
1. 两个像素的位置是否相邻
2. 两个像素的灰度值是否满⾜特定的相 似性准则(或者是否相等 根据连通性的定义,有4联通、8联通和m联通三种。
4联通:对于具有值V 的像素p和q,如果q在集合N (p)中,则称这两个像素是4 连通。
8联通:对于具有值V 的像素p和q,如果q在集 合N (p)中,则称这两个像素是8 连通。
对于具有值V 的像素p和q,如果: q在集合N (p)中,或 q在集合N (p)中,并且N (p)与N (q)的交集为空(没有值V 的像素) 则称这两个像素是m连通的,即4连通和D连通的混合连通。
形态学操作
形态学转换是基于图像形状的⼀些简单操作。它通常在⼆进制图像上执⾏。腐蚀和 膨胀是两个基本的形态学运算符。然后它的变体形式如开运算,闭运算,礼帽⿊帽 等。
腐蚀和膨胀
腐蚀和膨胀是最基本的形态学操作,腐蚀和膨胀都是针对⽩⾊部分(⾼亮部分)⽽⾔的。
膨胀就是使图像中⾼亮部分扩张,效果图拥有⽐原图更⼤的⾼亮区域;腐蚀是原图 中的⾼亮区域被蚕⻝,效果图拥有⽐原图更⼩的⾼亮区域。膨胀是求局部最⼤值的 操作,腐蚀是求局部最⼩值的操作。
1. 腐蚀具体操作是:⽤⼀个结构元素扫描图像中的每⼀个像素,⽤结构元素中的每⼀ 个像素与其覆盖的像素做“与”操作,如果都为1,则该像素为1,否则为0。如 下图所示,结构A被结构B腐蚀后:
腐蚀的作⽤是消除物体边界点,使⽬标缩⼩,可以消除⼩于结构元素的噪声点。
cv.erode(img,kernel,iterations)
参数:
img: 要处理的图像
kernel: 核结构
iterations: 腐蚀的次数,默认是1
1. 膨胀具体操作是:⽤⼀个结构元素扫描图像中的每⼀个像素,⽤结构元素中的每⼀个像 素与其覆盖的像素做“与”操作,如果都为0,则该像素为0,否则为1。如下图所 示,结构A被结构B腐蚀后:
膨胀的作⽤是将与物体接触的所有背景点合并到物体中,使⽬标增⼤,可添补⽬标 中的孔洞。
cv.dilate(img,kernel,iterations)
参数:
img: 要处理的图像
kernel: 核结构
iterations: 腐蚀的次数,默认是1
示例
我们使⽤⼀个5*5的卷积核实现腐蚀和膨胀的运算:
import cv2 as cv
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体:解决plot不能显示中文问题
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
# 1. 读取图⽚
img = cv.imread("E:/m.jpg")
# 2 创建核结构
kernel = np.ones((5, 5), np.uint8)
# 3 图像腐蚀和膨胀
erosion = cv.erode(img, kernel) # 腐蚀
dilate = cv.dilate(img,kernel) # 膨胀
# 4 图像展示
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(10,8),dpi=100)
axes[0].imshow(img)
axes[0].set_title("原图")
axes[1].imshow(erosion)
axes[1].set_title("腐蚀后结果")
axes[2].imshow(dilate)
axes[2].set_title("膨胀后结果")
plt.show()
开闭运算
开运算和闭运算是将腐蚀和膨胀按照⼀定的次序进⾏处理。 但这两者并不是可逆 的,即先开后闭并不能得到原来的图像。
1. 开运算
开运算是先腐蚀后膨胀,其作⽤是:分离物体,消除⼩区域。特点:消除噪 点,去除⼩的⼲扰块,⽽不影响原来的图像。
2. 闭运算
闭运算与开运算相反,是先膨胀后腐蚀,作⽤是消除/“闭合”物体⾥⾯的孔洞, 特点:可以填充闭合区域。
cv.morphologyEx(img, op, kernel)
参数:
img: 要处理的图像
op: 处理⽅式:若进⾏开运算,则设为cv.MORPH_OPEN,若进⾏闭运 算,则设为cv.MORPH_CLOSE
Kernel: 核结构
示例
使⽤10*10的核结构对卷积进⾏开闭运算的实现。
import cv2 as cv
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体:解决plot不能显示中文问题
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
# 1. 读取图⽚
img1 = cv.imread("E:/m.jpg")
img2 = cv.imread("E:/m.jpg")
# 2 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 3 图像的开闭运算
cvOpen = cv.morphologyEx(img1,cv.MORPH_OPEN,kernel) # 开运算
cvClose = cv.morphologyEx(img2,cv.MORPH_CLOSE,kernel)# 闭运算
# 4 图像展示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title("原图")
axes[0,1].imshow(cvOpen)
axes[0,1].set_title("开运算结果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原图")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("闭运算结果")
plt.show()
礼帽和⿊帽
1. 礼帽运算
原图像与“开运算“的结果图之差,如下式计算:
因为开运算带来的结果是放⼤了裂缝或者局部低亮度的区域,因此,从原 图中减去开运算后的图,得到的效果图突出了⽐原图轮廓周围的区域更明亮的 区域,且这⼀操作和选择的核的⼤⼩相关。
礼帽运算⽤来分离⽐邻近点亮⼀些的斑块。当⼀幅图像具有⼤幅的背景的 时候,⽽微⼩物品⽐较有规律的情况下,可以使⽤顶帽运算进⾏背景提取。
2. ⿊帽运算
为”闭运算“的结果图与原图像之差。数学表达式为:
⿊帽运算后的效果图突出了⽐原图轮廓周围的区域更暗的区域,且这⼀操作和 选择的核的⼤⼩相关。
⿊帽运算⽤来分离⽐邻近点暗⼀些的斑块。
cv.morphologyEx(img, op, kernel)
参数:
img: 要处理的图像
op: 处理⽅式:
Kernel: 核结构
示例
import cv2 as cv
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体:解决plot不能显示中文问题
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
# 1. 读取图⽚
img1 = cv.imread("E:/m.jpg")
img2 = cv.imread("E:/m.jpg")
# 2 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 3 图像的礼帽和⿊帽运算
cvOpen = cv.morphologyEx(img1,cv.MORPH_TOPHAT,kernel) # 礼帽运算
cvClose = cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel)# ⿊帽运算
# 4 图像显示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title("原图")
axes[0,1].imshow(cvOpen)
axes[0,1].set_title("礼帽运算结果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原图")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("⿊帽运算结果")
plt.show()