day14 - 提取图像信息

本期主要介绍图像的礼帽运算和黑帽运算，礼帽运算常用于获取原始图像的噪声信息，或者得到比原始图像的边缘更亮的边缘信息；黑帽运算常用来检测图像中的波谷结构，分离比邻近点暗一些的斑块，比如得到轮廓效果图。

完成本期内容，你可以：

• 了解图像礼帽运算的原理和应用

• 了解图像黑帽运算的原理和应用

• 学会使用礼帽运算进行图像处理

• 学会使用黑帽运算进行图像处理

若要运行案例代码，你需要有：

• 操作系统：Ubuntu 16 以上 或者 Windows10

• 工具软件：VScode 或者其他源码编辑器

• 硬件环境：无特殊要求

• 核心库：python 3.6.13， opencv-contrib-python 3.4.11.39，opencv-python 3.4.2.16

点击下载源码

---

礼帽运算

礼帽运算，也称顶帽运算或高帽运算，是用原始图像减去其开运算图像的操作。礼帽运算获取原始图像的噪声信息，或者得到比原始图像的边缘更亮的边缘信息，比如得到前景图外面的毛刺噪声。

礼帽图像=原始图像-开运算图像=原始图像-（原始图像先腐蚀再膨胀）

• 首先读取图像
• 进行图像开运算操作
• 原始图像减去开运算图像，得到相减后的图像，获得礼帽运算图像的结果

黑帽运算

黑帽运算是用其闭运算图像减去原始图像的操作。黑帽运算获取图像内部的小孔，或前景图像的小黑点，或得到比原始图像的边缘更暗的边缘部分。黑帽运算常用来检测图像中的波谷结构，分离比邻近点暗一些的斑块，比如得到轮廓效果图。

黑帽图像=闭运算图像-原始图像=（原始图像先膨胀后腐蚀）-原始图像

• 首先读取图像
• 进行图像闭运算操作
• 闭运算图像减去原始图像，得到相减后的图像，获得黑帽运算图像的结果

形态学方法

• OpenCV将形态学方法封装成了cv2.morphologyEx()方法。

  函数原型：dst = cv2.morphologyEx(src, op, kernel, anchor, iterations, borderType, borderValue)
  dst为输出图像。

  参数描述如下：

  • src：被处理的图像
  • kernel：操作中使用的核
  • anchor：可选参数，核锚点的位置
  • iterations：可选参数，迭代次数，默认值为1
  • borderType：可选参数，边界样式，建议采用默认值
  • borderValue：可选参数，边界值，建议采用默认值
  • op：操作类型

  参数值	含义
  cv2.MORPH_ERODE	腐蚀操作
  cv2.MORPH_DILATE	膨胀操作
  cv2.MORPH_OPEN	开运算，先腐蚀后膨胀
  cv2.MORPH_CLOSE	闭运算，先膨胀后腐蚀
  cv2.MORPH_GRADIENT	梯度运算，膨胀图减腐蚀图，可以得到简易的轮廓
  cv2.MORPH_TOPHAT	顶帽运算，原始图像减开运算图像
  cv2.MORPH_BLACKHAT	黑帽运算，闭运算图像减原始图像

---

具体步骤

1. 创建项目结构

创建项目名为提取图像信息，项目根目录下新建code文件夹储存代码，新建dataset文件夹储存数据，项目结构如下：

提取图像信息                             # 项目名称
├── code                               # 储存代码文件
├── dataset                            # 储存数据文件
1
2
3

注：如项目结构已存在，无需再创建。

2. 使用图像礼帽运算进行图像处理

1. 在 code文件夹下创建tophat.py文件；
2. 导入所需的库，OpenCV、numpy ；
3. 读取dataset文件夹下的ursa_minor.png图片，并进行展示 ；
4. 设置一个7 *7 的值都为1 的核；
5. 使用礼帽运算进行图像处理，并展示结果；

代码实现

# 导入OpenCV、numpy
import cv2
import numpy as np
o=cv2.imread("../dataset/ursa_minor.png")#原始图像
k=np.ones((7,7),np.uint8)#设置核kernel
r=cv2.morphologyEx(o,cv2.MORPH_TOPHAT,k)#礼帽运算
cv2.imshow("original",o)
cv2.imshow("tophat",r)
cv2.waitKey()
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10

处理前后对比

图像开运算操作放大了裂缝或者局部降低亮度的区域，礼帽运算常用来分离比邻近点亮一些的斑块。在一幅图像具有大幅的背景且微小物品比较有规律的情况下，使用礼帽运算达到背景提取，使得线条更加突出的目的。

3. 使用图像黑帽运算进行图像处理

1. 在 code文件夹下创建blackhat.py文件；
2. 导入所需的库，OpenCV、numpy ；
3. 读取dataset文件夹下的ursa_minor.png图片，并进行展示 ；
4. 设置一个7 *7 的值都为1 的核；
5. 使用黑帽运算进行图像处理，并展示结果；

代码实现

# 导入OpenCV、numpy
import cv2
import numpy as np
o=cv2.imread("../dataset/ursa_minor.png")#原始图像
k=np.ones((7,7),np.uint8)#设置核kernel
r=cv2.morphologyEx(o,cv2.MORPH_BLACKHAT,k)#黑帽运算
cv2.imshow("original",o)
cv2.imshow("balckhat",r)
cv2.waitKey()
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10

处理前后对比

本小节主要介绍了礼帽运算和黑帽运算。通过两种运算对同一张图像进行处理，强化大家对礼帽运算和黑帽运算的理解，礼帽运算主要用于分离比邻近点亮一些的斑块，在一幅大图像具有大幅的背景，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。 而黑帽运算常用于分离比邻近点暗一些的斑块。

点击下载源码