OpenCV：形态学梯度

简述

1. 用图像运算和腐蚀实现形态学梯度

1.1 代码示例

1.2 运行结果

2. 形态学梯度接口

2.1 参数解释

2.2 代码示例

2.3 运行结果

3. 形态学梯度与边缘检测

4. 形态学梯度的应用场景

5. 注意事项

相关阅读

OpenCV：图像的腐蚀与膨胀-CSDN博客

简述

形态学梯度 是一种基于形态学操作的图像处理方法，主要用于突出图像中的边缘信息。形态学梯度计算的是图像膨胀与腐蚀的差异，它通过比较每个像素点周围的局部区域的最大值和最小值，来增强图像中的边缘特征。

形态学梯度的公式为：

$Gradient(A) = (A \oplus B) - ( A \ominus B)$

其中：

A 是输入图像。
B 是卷积核。
⊕ 表示膨胀操作。
⊖ 表示腐蚀操作。

作用：

突出边缘：形态学梯度能有效地提取图像中的边缘信息。
去除噪声：通过选择合适的结构元素，可以减少噪声的影响。
增强物体形状：帮助突出物体的轮廓和形状。

1. 用图像运算和腐蚀实现形态学梯度

1.1 代码示例

import cv2
import numpy as npimage = cv2.imread('D:\\resource\\filter\\q.jpg')# 卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# 腐蚀操作
result1 = cv2.erode(image, kernel, iterations=1)# 图像边缘 = 原图（也可以用膨胀图像） - 腐蚀图像
result2 = cv2.subtract(image, result1)# 显示原始图像、图像边缘
cv2.imshow('image', image)
cv2.imshow('result2', result2)cv2.waitKey(0)
cv2.destroyAllWindows()

1.2 运行结果

从左至右：

原始图像，黑底白字。
原图减去腐蚀图像后，留下了文字边框。

边框的宽度与卷积核大小有关，卷积核越大，边框越大。

将 kernel（卷积核）改为了 7*7 的矩阵之后：

2. 形态学梯度接口

OpenCV中提供了相关API：

cv2.morphologyEx(src, op, kernel, dst=None, anchor=(-1, -1), iterations=1, borderType=cv2.BORDER_CONSTANT, borderValue=0)

2.1 参数解释

src：输入图像，通常是二值图像或灰度图像。
op：操作类型，使用形态学梯度时，选择 cv2.MORPH_GRADIENT。
kernel：结构元素（卷积核），用于膨胀和腐蚀操作的邻域定义。可以通过 cv2.getStructuringElement() 创建。
dst：输出图像，默认 None。
anchor：结构元素的锚点，默认为 (-1, -1)，即结构元素的中心为锚点。
iterations：操作的迭代次数，默认为 1。增加迭代次数可能会导致结果更为突出。
borderType：图像边界的处理方式，常用的有 cv2.BORDER_CONSTANT， cv2.BORDER_REFLECT 等。
borderValue：边界值，仅在 borderType 为 cv2.BORDER_CONSTANT 时有效。

2.2 代码示例

import cv2
import numpy as npimage = cv2.imread('D:\\resource\\filter\\q.jpg')# 卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))# 形态学梯度
result2 = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel)# 显示原始图像、图像边缘
cv2.imshow('image', image)
cv2.imshow('result2', result2)cv2.waitKey(0)
cv2.destroyAllWindows()