【新星计划】Python OpenCV 形态学应用—图像开运算与闭运算

素颜马尾好姑娘i 2022-10-07 11:00 205阅读 0赞

**开运算**

开运算=先腐蚀运算，再膨胀运算（看上去把细微连在一起的两块目标分开了）

开运算的效果图如下图所示：

![图片][d0c190db8ae8b04c0f902ed85ca6c6e9.png]

开运算总结：

（１）开运算能够除去孤立的小点，毛刺和小桥，而总的位置和形状不便。

（２）开运算是一个基于几何运算的滤波器。

（３）结构元素大小的不同将导致滤波效果的不同。

（４）不同的结构元素的选择导致了不同的分割，即提取出不同的特征。

**样例**

**原始图像**

![图片][a9caa57180ee5c06880d6dd839d9df6a.png]

**代码实践**

# coding:utf-8# 开运算 open_operationimport cv2import numpy as np
    # 开运算执行次数iter_times = 5# 读取图像img = cv2.imread("1.png", flags=cv2.IMREAD_GRAYSCALE)
    # 定义操作框，在图像上以这个框大小的像素进行遍历开运算operation_kernel = np.ones((3, 3), np.uint8)# 开运算result_image = cv2.morphologyEx(img, cv2.MORPH_OPEN, operation_kernel, iterations=iter_times)
    # 显示原始图像cv2.imshow("img", img)# 显示处理完后的图像cv2.imshow("result_image", result_image)cv2.waitKey(0)

**代码解读**：在上面的代码中，我们可以看到做了实际工作的是cv2.morphologyEx()这个函数，该函数一共四个参数，依次为需要处理的图像，处理图像的方式，处理的核大小，处理的次数，其中我们主要调试的是核的大小和处理的次数，这两个参数需要多次调试才能取得较好的效果，这里分别是3x3和5 当时核的大小也可以取7x7之类的，只要是整数就好了，不然会报错哦。

**结果**

![图片][02bba81d3d3cd8648d1a936973d7739c.png]

**闭运算**

闭运算 = 先膨胀运算，再腐蚀运算（看上去将两个细微连接的图块封闭在一起）

闭运算的效果图如下图所示：

![图片][9f3d0bac53ab6fc536772a9d0e00c515.png]

闭运算总结：

（1）闭运算能够填平小湖（即小孔），弥合小裂缝，而总的位置和形状不变。

（2）闭运算是通过填充图像的凹角来滤波图像的。

（3）结构元素大小的不同将导致滤波效果的不同。

（4）不同结构元素的选择导致了不同的分割。

**样例**

**原始图像**

![图片][3de1d46339e60b39ce8a03ba625809be.png]

**代码实践**

# coding:utf-8import cv2import numpy as np
    # 迭代次数iter_time = 1# 读入灰度图image = cv2.imread("2.png", flags=cv2.IMREAD_GRAYSCALE)
    # 定义操作框，在图像上以这个框大小的像素进行遍历闭运算operation_kernel = np.ones((3, 3), np.uint8)# 闭运算result_image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, operation_kernel, iterations=iter_time)
    # 显示原始图像cv2.imshow("img", image)# 显示处理完后的图像cv2.imshow("result_image", result_image)cv2.waitKey(0)

**代码解读**：与之前的代码一样，我们主要关注cv2.morphologyEx()函数，不同的是我们的第二个参数换成了cv2.MORPH\_CLOSE,也就是闭运算，另外几个参数都是类似的，注意与上一个区分哦。

**结果**

![图片][c8a2454e31ebec1dcb7f6b75b34792a2.png]

（可以看到原始图像中笔画中间的黑点消失了一部分，笔画衔接de部分也被连接在了一起）

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70][]

[d0c190db8ae8b04c0f902ed85ca6c6e9.png]: /images/20221005/84f3c9f543ac4ad6ae1705d3dc46178b.png
[a9caa57180ee5c06880d6dd839d9df6a.png]: /images/20221005/3ca94e042282420db765e4fc9b3e9666.png
[02bba81d3d3cd8648d1a936973d7739c.png]: /images/20221005/6f92ad3c4da64416a3bf70d4b03cb14d.png
[9f3d0bac53ab6fc536772a9d0e00c515.png]: /images/20221005/48cac980209a420c94f058fce15c62fe.png
[3de1d46339e60b39ce8a03ba625809be.png]: /images/20221005/2db63d41e547400e87a20300c14fa2d8.png
[c8a2454e31ebec1dcb7f6b75b34792a2.png]: /images/20221005/18c7ba7dbd4f408cbb86237f5401502c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70]: /images/20221005/746282c6abd7411d817ae16fd222d903.png