Морфологичните операции променят изображенията въз основа на структурата и разположението на пикселите. Те прилагат ядрото към входно изображение за промяна на характеристиките му в зависимост от подреждането на съседните пиксели. Морфологични операции като ерозия и дилатация са техники за обработка на изображения, особено за двоични изображения или изображения в сива скала. Те помагат при анализирането на форми, почистване на шума и прецизиране на границите на обекта.

Ерозия

Ерозията при обработката на изображения е морфологична операция, която свива и изтънява границите на обектите в изображението чрез премахване на пиксели по краищата на обекта, което ефективно прави обектите по-малки и премахва малък бял шум.

Цел

• Свива или разяжда границите на обектите на преден план (обикновено бели пиксели).
• Премахва финия бял шум и разделя обектите, които се докосват.

Как работи

• Ядро (обикновено 3×3 5×5 или 7×7 матрица от единици) се плъзга по изображението.
• Един пиксел остава бял (1) само ако всички пиксели под ядрото са бели; в противен случай става черен (0).
• Този процес намалява размера на обекта и разяжда ръбовете.

Разширение

Разширяването е морфологична операция, която разширява границите на обектите в изображение чрез добавяне на пиксели към краищата на обекта, което прави обектите да изглеждат по-големи и запълва малки празнини или дупки.

Цел:

• Разширява границите на обектите на преден план.
• Подчертава или уголемява черти и запълва малки празнини.

Как работи:

• Ядрото е подобно навито върху изображението.
• Пикселът е настроен на бял (1), ако  поне един  от съответните пиксели под ядрото е бяло.
• В резултат на това белите участъци растат, сливайки малки дупки или свързвайки счупени части.

Изпълнение на ерозия и дилатация

Нека внедрим Erosion и Dilation с OpenCV в Python

Стъпка 1: Импортирайте библиотеки

Ще импортираме необходимите библиотеки

• cv2 : OpenCV библиотека за обработка на изображения.
• numpy : За числени операции и за създаване на ядра.
• matplotlib.pyplot : За показване на изображения в тетрадки.

Стъпка 2: Заредете входно изображение и дефинирайте структуриращите елементи (ядро)

Ядрото определя квартала за операцията. Често срещан избор са правоъгълници или дискове.

Използваното изображение може да бъде изтеглено от тук .

   img   =   cv2  .  imread  (  'input.webp'     0  )   plt  .  imshow  (  img     cmap  =  'gray'  )   plt  .  title  (  'Original Image'  )   plt  .  axis  (  'off'  )   plt  .  show  ()   kernel   =   np  .  ones  ((  5     5  )   np  .  uint8  )   

Изход:

Стъпка 3: Нанесете ерозия

Ерозията работи чрез плъзгане на ядрото през изображението. Един пиксел остава бял (255) само ако всички пиксели под ядрото са бели, в противен случай той става черен (0). Това намалява границите на обекта и премахва малкия бял шум.

   img_erosion   =   cv2  .  erode  (  img     kernel     iterations  =  1  )   plt  .  imshow  (  img_erosion     cmap  =  'gray'  )   plt  .  title  (  'After Erosion'  )   plt  .  axis  (  'off'  )   plt  .  show  ()   

Изход:

Стъпка 4: Приложете дилатация

Разширяването плъзга ядрото през изображението и един пиксел става бял, ако поне един пиксел под ядрото е бял. Това удебелява бели области или обекти и запълва малки дупки.

   img_dilation   =   cv2  .  dilate  (  img     kernel     iterations  =  1  )   plt  .  imshow  (  img_dilation     cmap  =  'gray'  )   plt  .  title  (  'After Dilation'  )   plt  .  axis  (  'off'  )   plt  .  show  ()   

Изход:

Приложения

Ерозия

• Премахване на изолиран бял шум от изображение.
• Разделяне на обекти, които са съединени или докоснати.
• Намиране на граници на обект чрез свиване на размера на обекта.

Разширение

• Запълване на малки дупки или празнини в предмети.
• Съединяване на счупени или несвързани части от един и същи обект.
• Използва се след ерозия (като част от операцията „отваряне“) за възстановяване на размера на обекта, като същевременно запазва шума премахнат.

Ерозията и дилатацията са основни морфологични операции при обработката на изображения, които ни позволяват да прецизираме чисти и манипулирани форми в изображенията. Чрез използването на прости структуриращи елементи тези техники помагат за премахване на шума при отделяне или свързване на обекти и подобряване на характеристиките на изображението, което ги прави основни инструменти за ефективна предварителна обработка и анализ в задачи за компютърно зрение с OpenCV и Python.