Opencv中的形态字梯度，顶帽，黑帽（python实现）

文章目录

• • 1.了解腐蚀和膨胀
  • 2.了解开运算和闭运算
  • 3.形态字梯度
  • • （1）形态字梯度=原图-腐蚀
    • （2）函数讲解
    • （3）代码实战
  • 4.顶帽
  • • （1）顶帽=原图-开运算
    • （2）函数讲解
  • 6.黑帽
  • • （1）黑帽=原图-闭运算
    • （2）函数讲解
  • 7.总结

1.了解腐蚀和膨胀

https://mydreamambitious.blog.csdn.net/article/details/125265431

2.了解开运算和闭运算

https://mydreamambitious.blog.csdn.net/article/details/125298061

3.形态字梯度

（1）形态字梯度=原图-腐蚀

（2）函数讲解

morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):

Src:输入的原始图像；
Op:进行操作（开运算，闭运算，顶帽，黑帽，形态字梯度）；
Kernel:卷积核的大小；
Dst:输出的图像；
Anchor:默认值为（-1，-1），卷积的中心。
Iterations:迭代的次数。
borderType:用于推断图像外部像素的某种边界模式。注意它有默认值 BORDER_DEFAULT。
borderValue:边界值（如果是常量边界）。默认morphologyDefaultBorderValue具有特殊含义。对于侵蚀，它被转换为+\inf；对于膨胀，它被转换为-\inf，这意味着只有在图像内部的像素上才能有效地计算最小值（最大值）。

（3）代码实战

import os
import cv2
import numpy as npdef MorphologyGradient(img_path='images/Exen.png'):#读取图片img_src=cv2.imread(img_path)#缩放图片的大小img=cv2.resize(src=img_src,dsize=(500,500))#获取卷积核kernel=cv2.getStructuringElement(shape=cv2.MORPH_RECT,ksize=(5,5))#进行顶帽运算img=cv2.morphologyEx(src=img,op=cv2.MORPH_GRADIENT,kernel=kernel,iterations=1)#显示图片cv2.imshow('img_src',img_src)cv2.imshow('img',img)#等待鼠标和键盘值cv2.waitKey(0)cv2.destroyAllWindows()def MorphologyGradient_2(img_path='images/Exen.png'):# 读取图片img_src = cv2.imread(img_path)# 缩放图片的大小img = cv2.resize(src=img_src, dsize=(500, 500))# 获取卷积核kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=(5, 5))# 进行顶帽运算img_erode=cv2.erode(src=img,kernel=kernel,iterations=1)#将原图和img_open缩放到同样大小img_src=cv2.resize(src=img_src,dsize=(500,500))img=img_src-img_erode# 显示图片cv2.imshow('img_src', img_src)cv2.imshow('img', img)# 等待鼠标和键盘值cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':print('pycharm')# MorphologyGradient()MorphologyGradient_2()

直接使用函数：

采用：原图-腐蚀

4.顶帽

（1）顶帽=原图-开运算

得到图形外的小图形

（2）函数讲解

morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):

Src:输入的原始图像；
Op:进行操作（开运算，闭运算，顶帽，黑帽）；
Kernel:卷积核的大小；
Dst:输出的图像；
Anchor:默认值为（-1，-1），卷积的中心。
Iterations:迭代的次数。
borderType:用于推断图像外部像素的某种边界模式。注意它有默认值 BORDER_DEFAULT。
borderValue:边界值（如果是常量边界）。默认morphologyDefaultBorderValue具有特殊含义。对于侵蚀，它被转换为+\inf；对于膨胀，它被转换为-\inf，这意味着只有在图像内部的像素上才能有效地计算最小值（最大值）。

代码实战：

import os
import cv2
import numpy as npdef MorphologyTopPath(img_path='images/Exen_white.png'):#读取图片img_src=cv2.imread(img_path)#缩放图片的大小img=cv2.resize(src=img_src,dsize=(500,500))#获取卷积核kernel=cv2.getStructuringElement(shape=cv2.MORPH_RECT,ksize=(5,5))#进行顶帽运算img=cv2.morphologyEx(src=img,op=cv2.MORPH_TOPHAT,kernel=kernel,iterations=1)#显示图片cv2.imshow('img_src',img_src)cv2.imshow('img',img)#等待鼠标和键盘值cv2.waitKey(0)cv2.destroyAllWindows()def MorphologyTopPath_2(img_path='images/Exen_white.png'):# 读取图片img_src = cv2.imread(img_path)# 缩放图片的大小img = cv2.resize(src=img_src, dsize=(500, 500))# 获取卷积核kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=(5, 5))# 进行顶帽运算img_open = cv2.morphologyEx(src=img, op=cv2.MORPH_OPEN, kernel=kernel, iterations=1)#将原图和img_open缩放到同样大小img_src=cv2.resize(src=img_src,dsize=(500,500))img=img_src-img_open# 显示图片cv2.imshow('img_src', img_src)cv2.imshow('img', img)# 等待鼠标和键盘值cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':print('pycharm')# MorphologyTopPath()MorphologyTopPath_2()

直接使用函数：

采用：原图-开运算；

6.黑帽

（1）黑帽=原图-闭运算

得到大图形内的小图形；

（2）函数讲解

morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):

Src:输入的原始图像；
Op:进行操作（开运算，闭运算，顶帽，黑帽）；
Kernel:卷积核的大小；
Dst:输出的图像；
Anchor:默认值为（-1，-1），卷积的中心。
Iterations:迭代的次数。
borderType:用于推断图像外部像素的某种边界模式。注意它有默认值 BORDER_DEFAULT。
borderValue:边界值（如果是常量边界）。默认morphologyDefaultBorderValue具有特殊含义。对于侵蚀，它被转换为+\inf；对于膨胀，它被转换为-\inf，这意味着只有在图像内部的像素上才能有效地计算最小值（最大值）。

代码实战：

import os
import cv2
import numpy as npdef MorphologyBlackHAT(img_path='images/Exen_black.png'):#读取图片img_src=cv2.imread(img_path)#缩放图片的大小img=cv2.resize(src=img_src,dsize=(500,500))#获取卷积核kernel=cv2.getStructuringElement(shape=cv2.MORPH_RECT,ksize=(5,5))#进行顶帽运算img=cv2.morphologyEx(src=img,op=cv2.MORPH_BLACKHAT,kernel=kernel,iterations=1)#显示图片cv2.imshow('img_src',img_src)cv2.imshow('img',img)#等待鼠标和键盘值cv2.waitKey(0)cv2.destroyAllWindows()def MorphologyBlackHAT_2(img_path='images/Exen_black.png'):# 读取图片img_src = cv2.imread(img_path)# 缩放图片的大小img = cv2.resize(src=img_src, dsize=(500, 500))# 获取卷积核kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=(7,7))# 进行顶帽运算img_close = cv2.morphologyEx(src=img, op=cv2.MORPH_CLOSE, kernel=kernel, iterations=1)#将原图和img_open缩放到同样大小img_src=cv2.resize(src=img_src,dsize=(500,500))img=img_src-img_close# 显示图片cv2.imshow('img_src', img_src)cv2.imshow('img', img)# 等待鼠标和键盘值cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':print('pycharm')# MorphologyBlackHAT()MorphologyBlackHAT_2()

直接使用函数：

7.总结

（1）开运算：腐蚀+膨胀；去除大图像外的小图像；
（2）闭运算：膨胀+腐蚀；去除大图像内的小图像；
（3）梯度：原图-腐蚀；求图形的边缘；
（4）顶帽：原图-开运算；得到大图形外的小图形；
（5）黑帽：原图-闭运算；得到图形内的小图形；

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！