深入理解开运算的原理、实现与应用
开运算是数学形态学的基本复合操作，定义为先腐蚀后膨胀，常用于去除小的噪声点和分离相连的对象。
开运算是数学形态学中的一种复合操作，定义为先对图像进行腐蚀操作，然后再进行膨胀操作。用数学公式表示为：
| 操作 | 公式 | 效果 | 应用 |
|---|---|---|---|
| 开运算 | A ○ B = (A ⊖ B) ⊕ B | 去小物体 | 去除小亮点 |
| 闭运算 | A • B = (A ⊕ B) ⊖ B | 填充小孔 | 填充小暗点 |
A ○ B = (A ⊖ B) ⊕ B
其中A是输入图像，B是结构元素，⊖表示腐蚀操作，⊕表示膨胀操作。
开运算的特点：
import cv2
import numpy as np
import matplotlib.pyplot as plt
def opening_builtin(image_path, kernel_size=3, iterations=1):
"""
使用OpenCV内置函数实现开运算
:param image_path: 输入图像路径
:param kernel_size: 结构元素大小
:param iterations: 开运算次数
:return: 原图和开运算后的图像
"""
# 读取图像
img = cv2.imread(image_path)
# 创建结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_size, kernel_size))
# 应用开运算
opened = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=iterations)
return img, opened
def manual_opening(image_path, kernel_size=3):
"""
手动实现开运算（先腐蚀后膨胀）
:param image_path: 输入图像路径
:param kernel_size: 结构元素大小
:return: 开运算后的图像
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
height, width = binary.shape
pad_size = kernel_size // 2
# 对图像进行填充
padded = np.pad(binary, pad_size, mode='constant', constant_values=255)
# 第一步：腐蚀
eroded = np.zeros_like(binary)
for i in range(height):
for j in range(width):
window = padded[i:i+kernel_size, j:j+kernel_size]
if np.min(window) == 255: # 只有当所有像素都是白色时，输出才是白色
eroded[i, j] = 255
else:
eroded[i, j] = 0
# 对腐蚀结果进行填充（用于膨胀）
padded_eroded = np.pad(eroded, pad_size, mode='constant', constant_values=0)
# 第二步：膨胀
dilated = np.zeros_like(eroded)
for i in range(height):
for j in range(width):
window = padded_eroded[i:i+kernel_size, j:j+kernel_size]
if np.max(window) == 255: # 如果窗口中存在白色像素，输出就是白色
dilated[i, j] = 255
else:
dilated[i, j] = 0
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(dilated, cv2.COLOR_GRAY2BGR)
def opening_with_different_shapes(image_path):
"""
使用不同形状的结构元素进行开运算
:param image_path: 输入图像路径
:return: 原图和不同形状结构元素的开运算结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 创建不同形状的结构元素
kernels = {
'Rectangle': cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)),
'Ellipse': cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)),
'Cross': cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))
}
results = {}
for name, kernel in kernels.items():
opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
results[name] = cv2.cvtColor(opened, cv2.COLOR_GRAY2BGR)
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), results
def noise_removal_opening(image_path):
"""
使用开运算去除噪声
:param image_path: 输入图像路径
:return: 原图、含噪声图像和去噪声后的图像
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 添加椒盐噪声
def add_salt_pepper_noise(image, salt_prob=0.02, pepper_prob=0.02):
noisy_img = image.copy()
total_pixels = image.size
# 添加盐噪声（白色点）
num_salt = int(salt_prob * total_pixels)
coords = [np.random.randint(0, i - 1, num_salt) for i in image.shape]
noisy_img[coords] = 255
# 添加椒噪声（黑色点）
num_pepper = int(pepper_prob * total_pixels)
coords = [np.random.randint(0, i - 1, num_pepper) for i in image.shape]
noisy_img[coords] = 0
return noisy_img
# 创建含噪声图像
noisy_img = add_salt_pepper_noise(img)
# 应用开运算去除噪声
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
opened = cv2.morphologyEx(noisy_img, cv2.MORPH_OPEN, kernel)
return (cv2.cvtColor(img, cv2.COLOR_GRAY2BGR),
cv2.cvtColor(noisy_img, cv2.COLOR_GRAY2BGR),
cv2.cvtColor(opened, cv2.COLOR_GRAY2BGR))
def object_separation_opening(image_path):
"""
使用开运算分离相连的对象
:param image_path: 输入图像路径
:return: 原图、相连对象图像和分离对象后的图像
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 创建相连的对象（通过膨胀使对象连接）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
connected = cv2.dilate(binary, kernel, iterations=2)
# 使用开运算分离对象
separated = cv2.morphologyEx(connected, cv2.MORPH_OPEN, kernel)
return (cv2.cvtColor(img, cv2.COLOR_GRAY2BGR),
cv2.cvtColor(connected, cv2.COLOR_GRAY2BGR),
cv2.cvtColor(separated, cv2.COLOR_GRAY2BGR))
def top_hat_transform_opening(image_path):
"""
顶帽变换 - 原图减去开运算结果
:param image_path: 输入图像路径
:return: 原图和顶帽变换结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 创建结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 9))
# 开运算
opened = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
# 顶帽变换（原图减去开运算结果）
top_hat = cv2.subtract(img, opened)
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(top_hat, cv2.COLOR_GRAY2BGR)
def adaptive_opening(image_path):
"""
自适应开运算 - 根据局部特性调整结构元素大小
:param image_path: 输入图像路径
:return: 原图和自适应开运算结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 计算局部方差
block_size = 15
mean_local = cv2.blur(img, (block_size, block_size))
squared_img = img.astype(np.float64) ** 2
mean_squared_local = cv2.blur(squared_img, (block_size, block_size))
variance_local = mean_squared_local - mean_local.astype(np.float64) ** 2
# 根据局部方差调整开运算核大小
height, width = img.shape
result = img.copy()
# 为了演示，我们使用分块处理
for i in range(0, height, 10):
for j in range(0, width, 10):
# 获取局部方差
end_i = min(i + 10, height)
end_j = min(j + 10, width)
local_var = np.mean(variance_local[i:end_i, j:end_j])
# 根据方差大小调整核大小
if local_var < 1000: # 平坦区域
kernel_size = 3
elif local_var < 5000: # 中等纹理区域
kernel_size = 5
else: # 高纹理区域
kernel_size = 7
# 创建结构元素并应用开运算
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_size, kernel_size))
roi = img[i:end_i, j:end_j]
opened_roi = cv2.morphologyEx(roi, cv2.MORPH_OPEN, kernel)
result[i:end_i, j:end_j] = opened_roi
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(result, cv2.COLOR_GRAY2BGR)
# 使用示例
if __name__ == "__main__":
# 注意：需要提供实际的图像路径
# img, result = opening_builtin('image.jpg', 3, 1)
# manual_img, manual_result = manual_opening('image.jpg', 3)
# shape_img, shape_results = opening_with_different_shapes('image.jpg')
# noise_orig, noise_img, noise_result = noise_removal_opening('image.jpg')
# obj_orig, obj_img, obj_result = object_separation_opening('image.jpg')
# tophat_img, tophat_result = top_hat_transform_opening('image.jpg')
# adapt_img, adapt_result = adaptive_opening('image.jpg')
pass| 操作 | 公式 | 效果 | 应用 |
|---|---|---|---|
| 开运算 | A ○ B = (A ⊖ B) ⊕ B | 去噪、断开连接 | 去除小亮点 |
| 闭运算 | A • B = (A ⊕ B) ⊖ B | 填充孔洞、连接 | 填充小暗点 |