Разработчики представили обновленную версию OpenCV с расширенными возможностями морфологических преобразований

[OpenCV 學習筆記] 7. 使用 OpenCV 對黑白圖片進行 Morphological Transformations! opencv computer vision morphology logohow1020 2026-09-07 14:41:11 ‧ 141 瀏覽 本文將簡單介紹什麼是 Morphological Transformations，並示範如何用 OpenCV 對黑白圖片進行相關的運算。 Morphological Transformations 基本概念: 首先讓我們講講什麼是 Morphology 吧! Morphology 翻成中文就是 "形態學( Mathematical morphology )"，顧名思義，也就是一門專注在圖形幾何形狀上的學問，所以 Morphological Transformations 不難看出就是其相關的運算，而其相關應用有"去除影像雜訊"、"物體輪廓提取"、"填補物品內微小孔洞"和"縮小前景物品的邊界"等...。 常見的相關運算有 Erosion 、 Dilation 、 Gradient 、 Opening 、 Closing 、 Top-Hat 等...，而其中最重要的就是 Erosion 和 Dilation (因為上述的其他運算皆由這兩個運算衍生而來)，接下來將簡單介紹 Erosion 和 Dilation 的相關概念。 Erosion，顧名思義為侵蝕，而要如何達到讓圖像邊界縮小，像受到某種東西"侵蝕"的效果呢? 概念上是使用 Convolution 去完成，當滑動的 window 區域內有黑色的像素時，將其中心點改成黑色，否則維持原樣，也就是說 window 內所有的像素必須全都是白色的，捲積後產生用來取代中心點的像素值才會是白色的。 同樣類似的概念，當滑動的 window 區域內有白色的像素時，將其中心點改成白色，反之則一樣維持原本的黑色，即可產生膨脹的效果。 而將稍微膨脹的圖形(dilation)拿去扣掉稍微縮小的圖形(erosion)，則可以得到輪廓，這樣的運算就是 "gradient"。 底下為使用 OpenCV 套件對黑白圖片進行 erosion、dilation 和 gradient 的簡單範例。 程式碼1(Python): import cv2 import numpy as np import matplotlib.pyplot as plt dog_pic = '../images/dog.png' # 圖片位址 try: dog_img = cv2.imread(dog_pic) dog_img_gray = cv2.cvtColor(dog_img, cv2.COLOR_BGR2GRAY) # 取得 mask ret, mask = cv2.threshold(dog_img_gray, 220, 255, cv2.THRESH_BINARY) mask_inv = cv2.bitwise_not(mask) kernel = np.ones((5,5),np.uint8) erosion = cv2.erode(mask_inv, kernel, iterations = 1) dilation = cv2.dilate(mask_inv, kernel, iterations = 1) gradient = cv2.morphologyEx(mask_inv, cv2.MORPH_GRADIENT, kernel) pic_titles = ['origin','erosion', 'dilation', 'gradient'] morphological_images= [mask_inv, erosion, dilation, gradient] for i in range(len(pic_titles)): plt.subplot(1, len(pic_titles),i+1), plt.imshow(morphological_images[i], cmap='gray') plt.title(pic_titles[i]) plt.xticks([]),plt.yticks([]) # 拿掉 X座標軸 和 y座標軸 刻度文字 plt.show() except Exception as ex: print(f"An unexpected error occurred: {ex}") 執行結果: Observation: 不同的 Kernel: 可以觀察到 kernel 的 size 越大， erosion， dilation 和 gradient 的效果越明顯。 (以 erosion 為例，當 kernel 的 size 變大時，"滿足 kernel 內整個都是白色的中心點"數量會變少，因此有更多白色的點被改成黑色，造成侵蝕的效果更明顯。) 不同的 iteration 次數: 可以發現隨著 iteration 次數變多，效果漸漸跟著增強。 圖片黑白倒轉: 圖片黑白顛倒時，我們可以觀察到相對來說 erode 就是讓黑色膨脹(白色消退)，dilate 會讓黑色消退(白色膨脹)，我們可以觀察到兩者間的對偶性(duality)，而不管圖片有沒有倒轉，兩者的 gradient 運算後得到的輪廓都是一樣的。 Opening, Closing, Top-hat, Black-hat: 在理解了 Erode 和 Dilation 這兩個基本且重要的原理後，接下來讓我們看看由其衍伸出來的 "Opening" 和 "Closing" 吧~~~ Opening 主要可以用於消除雜訊，其運算方式為先對影像進行 Erode(侵蝕) 後再進行 Dilate(膨脹)， Erdoe 可以將外部的雜訊消除，但因為邊界會跟著被侵蝕，所以再用 Dilate 稍微將其補回來。 而 Closing 則是可以用來填補物品的內部小空洞，其運算方式為先對影像進行 Dilate(膨脹) 後再進行 Erode(侵蝕)，和上述的 Opening 類似概念，先透過 Dilate 填補內部小空洞，接著因為邊界稍微膨脹，所以在用 Erode 侵蝕將其稍微縮小。 至於 Top-hat 則是將拿原來的圖像去扣掉 "Opening 運算後的圖像" 的結果，Black-hat 則是將原來的圖像去扣掉 "Closing 運算後的圖像" 的結果。 底下為使用 OpenCV 套件對黑白圖片進行 Opening 和 Closing 的簡單範例。 程式碼2(Python): import cv2 import numpy as np import random as rd import matplotlib.pyplot as plt dog_pic = '../images/dog.png' # 圖片位址 try: dog_img = cv2.imread(dog_pic) dog_img_gray = cv2.cvtColor(dog_img, cv2.COLOR_BGR2GRAY) # 取得 mask ret, mask = cv2.threshold(dog_img_gray, 220, 255, cv2.THRESH_BINARY) mask_inv = cv2.bitwise_not(mask) height, width = mask_inv.shape # 隨機選取格子點加入雜訊 grid_points = [(a, b) for a in range(height) for b in range(width)] num_samples = 1000 random_points = rd.sample(grid_points, num_samples) for pt in random_points: if(mask_inv[pt] == 255): mask_inv[pt] = 0 else: mask_inv[pt] = 255 # 使用 opening 和 closing 消除部分雜訊 kernel = np.ones((3,3),np.uint8) opening = cv2.morphologyEx(mask_inv, cv2.MORPH_OPEN, kernel) closing = cv2.morphologyEx(mask_inv, cv2.MORPH_CLOSE, kernel) top_hat = cv2.morphologyEx(mask_inv, cv2.MORPH_TOPHAT, kernel) black_hat = cv2.morphologyEx(mask_inv, cv2.MORPH_BLACKHAT, kernel) pic_titles = ['pic with noise','opening', 'closing', 'top_hat', 'black_hat'] morphological_images= [mask_inv, opening, closing, top_hat, black_hat] num_of_pics = len(pic_titles) for i in range(num_of_pics): plt.subplot(1, num_of_pics,i+1), plt.imshow(morphological_images[i], cmap='gray') plt.title(pic_titles[i]) plt.xticks([]),plt.yticks([]) # 拿掉 X座標軸 和 y座標軸 刻度文字 plt.show() except Exception as ex: print(f"An unexpected error occurred: {ex}") 執行結果: 在這張隨機添加雜訊的圖片上，我們可以觀察到 Opening 和 closing 是一體兩面的，使用 Opening 時，內部的空洞跟著變多，而使用 Closing 時，內部的空洞雖然被填補了，但是外部的雜訊卻也被加強了。 Generalization: 實際上，若我們去觀察維基百科 Structing element 的原始定義，我們可以知道 Kernel 不見得要是正方形，只要是某個集合就可以了，而 OpenCV 也有提供 "getStructuringElement" 方法讓我們去取得某些不同類型的 Kernel。 另外一個筆者從 Wiki 上看到覺得比較有趣的性質是 Dilate 擁有交換性，這代表說我今天反過來把 image 當作 Structing element，而 kernel 當作 image 去做運算，可以得到一樣的結果 XD 上述是筆者得一些簡單推論，有興趣的讀者可以自己去參考維基百科的 Binary_morphology ，了解一下這些 Openration 背後的 Peoperties。 以上就是對黑白圖片的 Morphological Transformations 相關介紹，謝謝~