一 定义
1 开操作: 是图像的轮廓变得光滑,断开的较窄的狭颈和消除细的突出物.
使结构元B对集合A进行开操作，定义为：
集合A
原始图片
2 几何解释
1）开操作的何解释
A○B的边界由B中的点建立
当B在A的边界内侧滚动时，B所能到达的A的边界的最远点。
(2)闭操作的几何解释
A•B的边界由B中的点建立
B在A的边界外侧滚动
满足〖(B)〗_z⋂A≠”Ø” 的所有点的集合
3 相关函数
morphologyEx
函数原型
morphologyEx( src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None )
参数介绍
. @param src Source image. The number of channels can be arbitrary. The depth should be one of
. CV_8U, CV_16U, CV_16S, CV_32F or CV_64F.
来源图片。通道数可以是任意的。深度应该是其中之一 。 CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
. @param op Type of a morphological operation, see #MorphTypes
形态操作的类型 cv.MORPH_OPEN, cv.MORPH_CLOSE
. @param kernel Structuring element. It can be created using #getStructuringElement.
内核(element)
. @param anchor Anchor position with the kernel. Negative values mean that the anchor is at the
. kernel center.
用内核锚定位置。负值意味着锚点位于 。核心中心。
. @param iterations Number of times erosion and dilation are applied.
侵蚀和扩张的次数。
. @param borderType Pixel extrapolation method, see #BorderTypes
像素外推方法，
. @param borderValue Border value in case of a constant border. The default value has a special
. meaning.
边界不变的边界值。默认值有一个特殊值 。含义。
getStructuringElement
形态学处理的核心就是定义结构元素，在OpenCV-Python中，可以使用其自带的getStructuringElement函数，也可以直接使用NumPy的ndarray来定义一个结构元素。首先来看用getStructuringElement函数定义一个结构元素：
element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
这就定义了一个5×5的十字形结构元素，如下：
也可以用NumPy来定义结构元素，如下：
NpKernel = np.uint8(np.zeros((5,5))) for i in range(5): NpKernel[2, i] = 1 #感谢chenpingjun1990的提醒，现在是正确的 NpKernel[i, 2] = 1
这两者方式定义的结构元素完全一样：
[[0 0 1 0 0] [0 0 1 0 0] [1 1 1 1 1] [0 0 1 0 0] [0 0 1 0 0]]
用OpenCV-Python内置的常量定义椭圆（MORPH_ELLIPSE）和十字形结构（MORPH_CROSS）元素要简单一些，如果定义矩形（MORPH_RECT）和自定义结构元素，则两者差不多。
原文：https://blog.csdn.net/sunny2038/article/details/9137759
4 实验结果展示
先开操作再闭操作，组成形态学滤波器。
a 图是受噪声污染的指纹的二值图像，噪声为黑色背景上的亮元素和亮指纹部分的暗元素
b图是使用的结构元
c图是使用结构元素对图a腐蚀的结果：背景噪声消除了，指纹中的噪声尺寸增加
d图是使用结构元素对图c膨胀的结果：包含于指纹中的噪声分量的尺寸被减小或被完全消除，带来的问题是：在指纹纹路间产生了新的间断
e图是对图d膨胀的结果，图d的大部分间断被恢复，但指纹的线路变粗了
f图是对图e腐蚀的结果，即对图d中开操作的闭操作。最后结果消除了噪声斑点
缺点：指纹线路还是有断点，可以通过加入限制性条件解决。
5 图片腐蚀
代码
# coding=utf-8 import cv2 import numpy as np img = cv2.imread('fengjing.jpg', 0) # OpenCV定义的结构元素 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) # 腐蚀图像 eroded = cv2.erode(img, kernel) # 显示腐蚀后的图像 cv2.imshow("Eroded Image", eroded) # 膨胀图像 dilated = cv2.dilate(img, kernel) # 显示膨胀后的图像 cv2.imshow("Dilated Image", dilated) # 原图像 cv2.imshow("Origin", img) # NumPy定义的结构元素 NpKernel = np.uint8(np.ones((3, 3))) Nperoded = cv2.erode(img, NpKernel) # 显示腐蚀后的图像 cv2.imshow("Eroded by NumPy kernel", Nperoded) cv2.waitKey(0) cv2.destroyAllWindows()
效果展示
六 图像的开闭操作
代码
import cv2 as cv def open_image(image): '图像开操作' gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY) # res=cv.bitwise_not(gray) #图像二值化 ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY | cv.THRESH_OTSU) cv.imshow('binary',binary) #获取形态学结构kernel,采用的形态学方式MORPH_RECT kernel=cv.getStructuringElement(cv.MORPH_RECT,(5,5)) #图像的开操作 binary=cv.morphologyEx(binary,cv.MORPH_OPEN,kernel) cv.imshow('open',binary) def close_image(image): '图像闭操作' gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY) # res=cv.bitwise_not(gray) ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY | cv.THRESH_OTSU) kernel=cv.getStructuringElement(cv.MORPH_RECT,(5,5)) #操作函数morphologyEx binary=cv.morphologyEx(binary,cv.MORPH_CLOSE,kernel) cv.imshow('close',binary) src = cv.imread("fengjing.jpg") cv.imshow("原来", src) open_image(src) close_image(src) cv.waitKey(0) cv.destroyAllWindows()
效果展示
闭运算用来连接被误分为许多小块的对象,而开运算用于移除图像噪音形成的斑点.因此，某些情况下可以连续运用这两种运算。如对一副二值图连续使用闭运算和开运算，将获得图像中的主要对象。同样，如果想消除图像中的噪声（即图像中的“小点”），也可以对图像先用开运算后用闭运算，不过这样也会消除一些破碎的对象。
今天的文章图像处理开闭操作_图像处理过程的一般步骤分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/49610.html
