当前位置：首页 > news >正文

opencv(6): 形态学操作(二值化、自适应阈值、开闭、对比度）

news 来源：原创 2025/9/15 22:51:09

如何在图片中识别出一些物体的位置。具体是什么不是形态学的范畴。
处理方法基本是对二进制图像进行处理。
卷积核决定着图像处理后的效果。

图像二值化

将图像的每个像素变成两种值，如 0， 255。

全局二值化：全局按照某个阈值二值化
局部二值化

threshold(img, thresh, maxVal,type)

import cv2# 读取图像
image = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)# 进行简单阈值化
# 第一个参数是输入图像
# 第二个参数是用于分类像素值的阈值
# 第三个参数是当像素值高于阈值时要应用的新像素值
# 第四个参数是指定使用的阈值类型，如cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV等
_, thresholded = cv2.threshold(image, 128, 255, cv2.THRESH_BINARY)

可以使用不同的阈值类型，根据应用的要求选择适当的类型。例如，cv2.THRESH_BINARY表示二进制阈值化，cv2.THRESH_BINARY_INV表示反二进制阈值化等。在这里插入图片描述
后面三种不是二值化。

ostu：类间方差最大

自适应阈值

由于光照不均与以及阴影的存在，只有一个阈值会使得在阴影处的白色被二值化为黑色。
cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

src: 输入图像，应该是灰度图像。
maxValue: 分类像素值的最大值，通常为255。
adaptiveMethod: 指定阈值计算方法，可以是以下两者之一：
cv2.ADAPTIVE_THRESH_MEAN_C：使用邻域块的平均值作为阈值。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C：使用邻域块的加权平均值（高斯窗口）作为阈值。
thresholdType: 指定阈值类型，应该是以下两者之一：
- cv2.THRESH_BINARY：二进制阈值。
- cv2.THRESH_BINARY_INV：反二进制阈值。
blockSize: 用于计算阈值的邻域块大小，必须是奇数。
C: 从计算的平均值或加权平均值中减去的常数。
dst (可选): 输出图像，可以与输入图像相同。如果未提供，函数将创建一个新的图像。

# 读取图像
image = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)# 自适应阈值二值化
# 第一个参数是输入图像
# 第二个参数是用于分类像素值的最大值
# 第三个参数是指定使用的阈值类型，如cv2.ADAPTIVE_THRESH_MEAN_C或cv2.ADAPTIVE_THRESH_GAUSSIAN_C
# 第四个参数是指定阈值计算方法的区域大小，例如11表示计算每个像素周围的11x11区域
# 第五个参数是从计算的平均值或加权平均值中减去的常数
thresholded = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2
)

cv2.adaptiveThreshold函数使用局部均值作为阈值计算方法，然后将每个像素的阈值与其周围11x11区域的均值进行比较。你还可以尝试使用cv2.ADAPTIVE_THRESH_GAUSSIAN_C作为阈值计算方法，它使用局部区域的加权平均值。

获取卷积核

cv2.getStructuringElement(shape, ksize[, anchor])
参数说明：

shape: 结构元素的形状，可以是 cv2.MORPH_RECT（矩形）、cv2.MORPH_ELLIPSE（椭圆）、cv2.MORPH_CROSS（十字形）等。
ksize: 结构元素的大小，通常是一个 (width, height) 的元组。
anchor（可选）: 结构元素的锚点位置，默认为结构元素的中心。

import cv2
import numpy as np# 创建一个 3x3 的矩形结构元素
kernel_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
print("Rectangular Kernel:")
print(kernel_rect)# 创建一个 3x3 的椭圆结构元素
kernel_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
print("\nElliptical Kernel:")
print(kernel_ellipse)# 创建一个 3x3 的十字形结构元素
kernel_cross = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))
print("\nCross-shaped Kernel:")
print(kernel_cross)

腐蚀和膨胀

腐蚀：
用结构元素扫描图像，当结构元素完全包含在目标区域内时，保留中心点。
效果：消除细小物体、分离粘连目标、收缩物体边界。

膨胀：
用同一结构元素扫描腐蚀后的图像，当结构元素与目标区域有交集时，保留中心点。
效果：恢复被腐蚀物体的主要形状，但被完全消除的小物体无法恢复。

腐蚀 Erosion

将一个区域变小

卷积核都是全1 的，
在腐蚀操作中，结构元素（也称为内核）是一个小的图像，它定义了腐蚀的形状。在每一步腐蚀操作中，结构元素会在图像上滑动，并与图像的局部区域进行覆盖。在每个覆盖的位置，只有原图的像素全都包含在核中，该核中心点值才保留（个人理解？）。这个过程会导致图像中的边界逐渐变窄，因为图像中较亮的区域将被周围较暗的区域腐蚀。这会导致边界处的像素被腐蚀，对象会变小。

cv2.erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])

src: 输入图像，通常是二进制图像。
kernel: 结构元素，用于定义腐蚀操作的形状。
dst (可选): 输出图像，可以与输入图像相同。如果未提供，函数将创建一个新的图像。
anchor (可选): 结构元素的锚点。默认值 (-1, -1) 表示锚点位于结构元素的中心。
iterations (可选): 腐蚀操作的迭代次数，默认为 1。
borderType (可选): 边界模式，表示当边界被腐蚀时如何处理。默认是 cv2.BORDER_CONSTANT。
borderValue (可选): 当 borderType 为 cv2.BORDER_CONSTANT 时的边界值，默认为 0。

# 读取图像
img = cv2.imread('input_image.png', cv2.IMREAD_GRAYSCALE)# 创建结构元素，这里使用一个 3x3 的矩形结构元素
kernel = np.ones((3, 3), np.uint8)# 进行腐蚀操作
result = cv2.erode(img, kernel, iterations=1)

膨胀

将一个区域变大

开闭运算

开运算和闭运算是形态学处理中的两个重要操作，通常用于图像处理中的去噪、分割等任务。

开运算是先腐蚀后膨胀的过程。腐蚀操作可以消除小的噪点或细小的结构，而膨胀则可以恢复保留下来物体的形状，但被腐蚀掉的区域不会恢复。因此，开运算适合去除图像中的小物体或者平滑物体的边界，同时保持主要结构不变。例如，如果有一张包含许多小点的图像，开运算可以有效去除这些小点，而较大的物体则不受影响。

开运算

先做腐蚀再做膨胀。
最后的动作是放大的，就是开运算。

闭运算

先做膨胀再做腐蚀。
最后的动作是缩小的，就是闭运算。
闭运算适合的场景：填充小孔、连接邻近物体、平滑边界、处理断裂区域。

dst = cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]
)

在这里插入图片描述

操作流程：
膨胀：扩大亮区，填充孔洞
腐蚀：收缩回原始尺寸，保持主要形状

顶帽 & 黑帽