OpenCV实现图像 开闭运算

开闭运算（Opening and Closing）是数学形态学中的两种基本操作，用于图像处理和分析，通常用来处理二值图像，以去除噪声、分离物体、填充孔洞和连接断开的物体部分。这两种操作都利用了结构元素（也称为内核）来改变图像的形状和特征。本文将介绍开闭运算的原理和应用。

结构元素：
结构元素是一个小的、预定义形状的图像，通常是一个矩形、圆形或自定义形状的掩膜。结构元素的大小和形状可以根据应用需求进行调整。在开闭运算中，结构元素被用来在输入图像上进行滑动操作。

开运算（Opening）：
开运算是开操作（Erosion）后再接上闭操作（Dilation）的操作，通常表示为"开运算 = 腐蚀 + 膨胀"。它主要用于去除图像中的噪声和小物体、分离相互靠近的物体，以及打开物体的缺口。开运算的原理如下：
    首先，对输入图像应用腐蚀操作，将结构元素滑动到图像上的每个位置，当结构元素覆盖物体边界时，将输出图像中的对应像素设为1，否则设为0。
    然后，对上一步骤得到的结果应用膨胀操作，同样将结构元素滑动到图像上的每个位置，将结构元素与图像相交的区域设为1，否则设为0。
1
2
3
4
5
6
7

开运算的主要应用包括去除图像中的噪声、分离相互粘连的物体、清除物体边缘噪声等。

闭运算（Closing）：
闭运算是闭操作（Dilation）后再接上开操作（Erosion）的操作，通常表示为"闭运算 = 膨胀 + 腐蚀"。它主要用于填充物体中的小孔洞、连接相互靠近的物体部分，以及关闭物体的裂缝。闭运算的原理如下：
    首先，对输入图像应用膨胀操作，将结构元素滑动到图像上的每个位置，将结构元素与图像相交的区域设为1，否则设为0。
    然后，对上一步骤得到的结果应用腐蚀操作，同样将结构元素滑动到图像上的每个位置，当结构元素覆盖物体边界时，将输出图像中的对应像素设为1，否则设为0。
1
2
3
4

闭运算的主要应用包括填充物体内的小孔洞、连接相互接触的物体、平滑物体的边缘等。

应用示例：
开闭运算在图像处理中有着广泛的应用。以下是一些示例：

去除噪声：开运算可以消除小的噪声斑点，而闭运算可消除噪声并平滑物体的边缘。
物体分割：通过开闭运算，可以将相互靠近的物体分离开。
文字识别：在OCR（Optical Character Recognition）中，开闭运算可用于清除文字图像上的噪声和连接字符。
医学图像处理：在医学影像中，开闭运算用于分割组织结构、检测病变和去除伪影。
地理信息系统（GIS）：用于处理地图和地理数据，以填充孔洞和连接地理对象。
1
2
3
4
5

总之，开闭运算是图像处理中非常有用的技术，可用于去除噪声、分离物体、填充孔洞和连接物体部分。它们在各种领域，包括计算机视觉、医学图像处理和地理信息系统中都有广泛的应用。通过选择适当的结构元素和运算顺序，可以实现多种特定任务的图像处理需求。

开运算概念

闭运算概念

API
cv.morphologyEx(img , op, kernal)

参数：

• img ;要处理的图像
• op : 处理方式 ： 若进行开运算，则设为cv.MORPH_OPEN ，若进行闭运算，则设为cv.MORPH_CLOSE
• Kernel ：核结构

代码实现10*10的核结构对卷积进行开闭运算的实现

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

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']
#读取图像
img1 = cv.imread("aa.jpg")
img2 = cv.imread("lena.png")

#创建核结构
kernel = np.ones((10,10),np.uint8)

#图像的开闭运算

cvopen = cv.morphologyEx(img1,cv.MORPH_OPEN,kernel)  #开运算（先腐蚀，再膨胀，去除噪点）

cvclose = cv.morphologyEx(img2,cv.MORPH_CLOSE,kernel)  #闭运算（先膨胀，再腐蚀，去除孔洞）

#图像展示
fig,axes = plt.subplots(nrows=2,ncols=2,figsize=(6,6),dpi=100)

axes[0,0].imshow(img1[:,:,::-1])
axes[0,0].set_title("原图-aa")

axes[0,1].imshow(cvopen[:,:,::-1])
axes[0,1].set_title("开运算-aa")

axes[1,0].imshow(img2[:,:,::-1])
axes[1,0].set_title("原图-lena")

axes[1,1].imshow(cvclose[:,:,::-1])
axes[1,1].set_title("闭运算-lena")

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

结果展示

注意事项：
开闭运算是图像形态学处理中常用的操作，可以平滑图像、去除噪声和孤立像素等。OpenCV提供了方便易用的API来实现图像开闭运算。在使用OpenCV进行图像开闭运算时，需要注意以下事项：

选择合适的结构元素：开闭运算的效果与所选择的结构元素密切相关。结构元素的形状、大小和方向都会影响运算结果。在选择结构元素时，需要根据具体应用场景和图像特点来进行选择。

确定运算次数：开闭运算可以通过多次迭代来增强效果。但是，过多的迭代可能会导致图像失真或过度平滑。应该根据实际情况选择恰当的迭代次数，以获得最佳的效果。

处理边界问题：在对图像进行开闭运算时，需要确定如何处理边界像素。默认情况下，OpenCV会使用零填充策略，但这可能会引入边界效应。可以考虑使用其他边界处理策略，例如镜像反射或最近邻插值。

注意运算顺序：在对图像进行多个形态学运算时，运算顺序会影响最终结果。例如，先进行开运算再进行闭运算可能会产生不同于先进行闭运算再进行开运算的结果。应该根据实际情况选择适当的运算顺序。

多通道图像处理：OpenCV支持处理多通道图像，但是在进行开闭运算时需要注意通道的顺序。默认情况下，OpenCV会将图像看作灰度图像进行处理。需要将通道分离并对每个通道进行单独的运算。

算法性能：图像形态学算法的计算复杂度很高，在处理大图像或实时应用时需要考虑算法性能。可以尝试使用优化算法、减少迭代次数等方法来提高处理速度。

参数调优：不同的结构元素和迭代次数对开闭运算的效果有重要影响。可以通过比较不同参数设置来获取最佳的效果。此外，还可以尝试组合其他形态学运算，如膨胀、腐蚀等，以获得更好的效果。

可视化结果：可视化结果对于理解图像开闭运算的效果和调整参数至关重要。可以将原始图像与处理后的图像进行对比，使用图像质量评估指标（如PSNR、SSIM等）来评估处理结果的质量。

总之，在使用OpenCV进行图像开闭运算时，需要综合考虑上述因素，并根据具体情况选择合适的方法和参数。良好的参数设置和实时可视化是获得最佳效果的关键。