Python 圖像處理 OpenCV (9):圖像處理形態學開運算、閉運算以及梯度運算

引言

前面介紹了圖像形態學的兩種基礎算法，圖像腐蝕和圖像膨脹，本篇接著介紹圖像形態學中的開運算、閉運算以及梯度運算。

由於內容的連貫性，請先閱讀前文「Python 圖像處理 OpenCV （8）：圖像腐蝕與圖像膨脹」，了解清楚圖像的腐蝕與膨脹基礎原理。

不然真的沒辦法理解開運算和閉運算。

第一件事情還是給圖像增加噪聲，思路沿用之前加噪聲的思路，使用 Numpy 給圖片添加黑白兩種噪聲點，代碼如下：

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

# 讀取圖片
img = cv.imread("demo.png", cv.IMREAD_UNCHANGED)
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
rows, cols, chn = source.shape

# 加噪聲-白點噪聲
for i in range(500):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    source[x, y, :] = 255

# 圖像保存 白點噪聲圖像
cv.imwrite("demo_noise_white.jpg", source)
print("白點噪聲添加完成")

# 重新讀取圖像
img1 = cv.imread("demo.png", cv.IMREAD_UNCHANGED)
source1 = cv.cvtColor(img1, cv.COLOR_BGR2RGB)

# 加噪聲-黑點噪聲
for i in range(1000):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    source1[x, y, :] = 0

# 圖像保存 黑點噪聲圖像
cv.imwrite("demo_noise_black.jpg", source1)
print("黑點噪聲添加完成")

# 顯示結果
titles = ['White Img','Black Img']
images = [source, source1]

# matplotlib 繪圖
for i in range(2):
   plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])

plt.show()
形態學開運算 
圖像開運算實際上是一個組合運算，開運算是圖像先進行腐蝕，再進行膨脹的運算。
圖像被腐蝕後，去除了噪聲，但是也壓縮了圖像；接著對腐蝕過的圖像進行膨脹處理，使得剛才在腐蝕過程中被壓縮的圖像得以恢復原狀。
下面是一個圖像開運算的流程圖：
開運算的一些特性：
開運算能夠除去孤立的小點，毛刺和小橋，而總的位置和形狀不便。不同的結構元素的選擇導致了不同的分割，即提取出不同的特徵。
我們先不管開運算 OpenCV 為我們提供的函數是什麼，先使用前面介紹過的圖像腐蝕與膨脹處理看下結果：
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5),np.uint8)

# 圖像腐蝕
erode_img = cv.erode(source, kernel)

# 圖像膨脹
dilate_result = cv.dilate(erode_img, kernel)

# 顯示結果
titles = ['Source Img','Erode Img','Dilate Img']
images = [source, erode_img, dilate_result]

# matplotlib 繪圖
for i in range(3):
   plt.subplot(1, 3, i+1), plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])

plt.show()
可以看到降噪的效果還是不錯的。
接著看 OpenCV 為開運算提供的函數。
圖像開運算主要使用到的函數是 morphologyEx() 它是形態學擴展的一組函數，而其中的 cv.MORPH_OPEN 對應的是開運算。
使用時語法如下：
dst = cv.morphologyEx(src, cv.MORPH_OPEN, kernel)
我們再使用 morphologyEx() 函數去重新實現下剛才的圖像開運算，看下和之前的結果有啥區別：
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖片
source = cv.imread("demo_noise_white.jpg", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5),np.uint8)

#圖像開運算
dst = cv.morphologyEx(source, cv.MORPH_OPEN, kernel)

# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 繪圖
for i in range(2):
   plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])

plt.show()
至少從肉眼的角度上看不出來和之前的方式有啥區別，實際上也沒啥區別。
形態學閉運算 
與開運算相反的是閉運算，閉運算是圖像先膨脹，後腐蝕，它有助於關閉前景物體內部的小孔，或物體上的小黑點。
先看下圖像閉運算的流程圖：
閉運算的一些特性：
閉運算能夠填平小湖（即小孔），彌合小裂縫，而總的位置和形狀不變。
首先還是用 dilate() 和 erode() 函數實現一下圖像閉運算，代碼如下：
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5),np.uint8)

# 圖像膨脹
dilate_result = cv.dilate(source, kernel)

# 圖像腐蝕
erode_img = cv.erode(dilate_result, kernel)

# 顯示結果
titles = ['Source Img','Dilate Img','Erode Img']
images = [source, dilate_result, erode_img]

# matplotlib 繪圖
for i in range(3):
   plt.subplot(1, 3, i+1), plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])

plt.show()
如果想要使用形態學擴展的函數 morphologyEx() 則需要把裡面的參數換成 MORPH_CLOSE ，同樣，既然是形態學擴展函數，那麼圖像腐蝕和圖像膨脹也有對應的參數：
接著還是使用 MORPH_CLOSE 參數來實現下圖像的閉運算：
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖片
source = cv.imread("demo_noise_black.jpg", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5),np.uint8)

# 圖像閉運算
dst = cv.morphologyEx(source, cv.MORPH_CLOSE, kernel)

# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 繪圖
for i in range(2):
   plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])

plt.show()
形態學梯度運算 
圖像形態學的梯度運算和前面的開運算閉運算是一樣的，都是組合函數。
梯度運算實際上是圖像膨脹減去圖像腐蝕後的結果，最終我們得到的是一個類似於圖像輪廓的圖形。
梯度運算在 morphologyEx()  函數中的參數是 MORPH_GRADIENT ，示例代碼如下：
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖片
source = cv.imread("demo.png", cv.IMREAD_GRAYSCALE)

# 設置卷積核
kernel = np.ones((5, 5), np.uint8)

# 圖像梯度運算
dst = cv.morphologyEx(source, cv.MORPH_GRADIENT, kernel)

# 顯示結果
titles = ['Source Img','Dst Img']
images = [source, dst]

# matplotlib 繪圖
for i in range(2):
   plt.subplot(1, 2, i+1), plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])

plt.show()
示例代碼 
如果有需要獲取源碼的同學可以在公眾號回復「OpenCV」進行獲取。
參考 
http://www.woshicver.com/
https://blog.csdn.net/Eastmount/article/details/83651172
https://blog.csdn.net/hanshanbuleng/article/details/80657148