opencv之圖像亮度變換和形態學變換（八）

---

一、圖像亮度變換

1.1 亮度變換

在講解亮度時，需要和對比度一起來進行解釋。

對比度調整：圖像暗處像素強度變低，圖像亮處像素強度變高，從而拉大中間某個區域范圍的顯示精度。

亮度調整：圖像像素強度整體變高或者變低。

上圖中，(a)把亮度調高，就是圖片中的所有像素值加上了一個固定值；(b)把亮度調低，就是圖片中的所有像素值減去了一個固定值；?增大像素對比度（白的地方更白，黑的地方更黑）；(d)減小像素對比度（整幅圖都趨于一個顏色）；

OpenCV調整圖像對比度和亮度時，公式為：$g(i,j)=\alpha f(i,j)+\beta$。但是不能淺顯的講$\alpha$是控制對比度，$\beta$是控制亮度的。

對比度：需要通過$\alpha 、\beta$一起控制。

亮度：通過$\beta$控制。

1.2 線性變換

使用 cv2.addWeighted() 函數，可以對圖像的像素值進行加權平均，進而改變圖像的整體亮度。亮度增益可以通過向每個像素值添加一個正值來實現。

cv2.addWeighted(src1, alpha, src2, beta, gamma)

• src1：第一張輸入圖像，它將被賦予權重 alpha。

• alpha：第一個輸入圖像的權重。

• src2：第二張輸入圖像，它將被賦予權重 beta。

• beta：第二個輸入圖像的權重。

• gamma：一個標量，將被添加到權重求和的結果上，可用于調整總體亮度。

  計算公式為: dst = src1 * alpha + src2 * beta + gamma

1.3 直接像素值修改

如果只需要增加或減少固定的亮度值，可以直接遍歷圖像像素并對每個像素值進行加減操作。

使用的API:

numpy.clip(a, a_min, a_max)

用于對數組中的元素進行限定，將超出指定范圍的元素值截斷至指定的最小值和最大值之間

• a：輸入數組。

• a_min：指定的最小值，數組中所有小于 a_min 的元素將被替換為 a_min。

• a_max：指定的最大值，數組中所有大于 a_max 的元素將被替換為 a_max。

案例

案例一：

import numpy as np
import cv2 as cvimg = cv.imread("images/1.jpg")
# 使用cv2.addWeihted(src1, alpha, src2, beta, gamma)實現線性變換
"""
np.zeros_like(img) 生成與img相同形狀的零矩陣
np.ones_like(img) 生成與img相同形狀的1矩陣
np.full_like(img, n) 生成與img相同形狀的n矩陣
"""
dst = cv.addWeighted(img, 1, np.zeros_like(img), 0, 50)cv.imshow("dst", dst)
cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()

案例二：

import cv2 as cv
import numpy as npwindow_name = 'Trackbar'
cv.namedWindow(window_name)# 寫一個改變圖像亮度的方法
def change(p):img = cv.imread('images/1.jpg')if img is None:print("圖像加載失敗，請檢查路徑！")return# 把滑條范圍映射到-255~255p = int(p)  # 確保 p 是整數p = p / 255 * (255 - (-255)) - 255# 亮度變換dst = np.uint8(img + p)dst = np.clip(dst, 0, 255)cv.imshow(window_name, dst)# 創建滑條
cv.createTrackbar('p', 'Trackbar', 0, 255, change)# 初始化顯示
change(0)  # 初始化時調用一次，確保圖像顯示cv.waitKey(0)
cv.destroyAllWindows()

二、形態學變換

形態學變換（Morphological Transformations）是一種基于形狀的簡單變換，它的處理對象通常是二值化圖像。形態學變換有兩個輸入，一個輸出：輸入為原圖像、核（結構化元素），輸出為形態學變換后的圖像。其基本操作有腐蝕和膨脹，這兩種操作是相反的，即較亮的像素會被腐蝕和膨脹。下面我們來說一下核、腐蝕與膨脹的概念。

2.1 核

自適應二值化中，我們已經接觸過核了，還記得嗎？就是那個在原圖中不斷滑動計算的3*3的小區域，那其實就是一個3*3的核。

核（kernel）其實就是一個小區域，通常為3*3、5*5、7*7大小，有著其自己的結構，比如矩形結構、橢圓結構、十字形結構，如下圖所示。通過不同的結構可以對不同特征的圖像進行形態學操作的處理。

2.2 腐蝕（Erosion）

• 作用：收縮白色區域（前景），消除小噪點、細線
• 原理：結構元素覆蓋區域內有黑即黑（取最小值）
• 效果：目標"變瘦"，邊緣平滑

---

2.3 膨脹（Dilation）

• 作用：擴展白色區域，填補空洞、斷裂
• 原理：結構元素覆蓋區域內有白即白（取最大值）
• 效果：目標"變胖"，輪廓連通

---

2.4 開運算（Opening）

• 操作：先腐蝕后膨脹
• 作用：消除孤立噪點、分離粘連物體
• 特點：保留原主體，去除小干擾

---

2.5 閉運算（Closing）

• 操作：先膨脹后腐蝕
• 作用：填充內部孔洞、閉合縫隙
• 特點：平滑輪廓，保持主體完整性

---

2.6 禮帽運算（Top Hat）

• 公式：原圖 - 開運算結果
• 作用：提取比背景亮的細節（如微小亮斑）
• 應用：背景均勻時的前景增強

---

2.7 黑帽運算（Black Hat）

• 公式：閉運算結果 - 原圖
• 作用：提取比背景暗的細節（如暗色缺陷）
• 應用：檢測深色區域或空洞

---

2.8 形態學梯度（Morphological Gradient）

• 公式：膨脹圖 - 腐蝕圖
• 作用：突出邊緣輪廓
• 效果：類似邊緣檢測，但更平滑

---

核心總結

操作	關鍵作用	典型應用場景
腐蝕	消除噪點、細化物體	去除胡椒噪聲
膨脹	連接斷裂、填充孔洞	文字修復
開運算	去噪+保形	分離粘連細胞
閉運算	補洞+平滑	填充指紋斷裂
禮帽	提取亮細節	顯微圖像亮斑提取
黑帽	提取暗細節	工業缺陷檢測
形態學梯度	邊緣增強	目標輪廓提取

注：所有操作均依賴**結構元素（核）**的形狀和大小選擇！

案例

案例一：腐蝕和膨脹

import cv2 as cv
import numpy as nplong = cv.imread("images/long.png")
# 定義一個5×5的卷積核
kernel = np.ones((5,5),np.uint8)
# 腐蝕操作cv.erode(src, kernel, dst, anchor, iterations, borderType, borderValue)
# iterations表示迭代次數
dst_erode = cv.erode(long,kernel,iterations=1)# 膨脹操作cv.dilate(src, kernel, dst, anchor, iterations, borderType, borderValue)
dst_dilate = cv.dilate(long,kernel,iterations=5)cv.imshow("long",long)
cv.imshow("dst_erode",dst_erode)
cv.imshow("dst_dilate",dst_dilate)
cv.waitKey(0)
cv.destroyAllWindows()

案例二：

import cv2 as cv
import numpy as npcar = cv.imread("images/car4.png")
car = cv.resize(car,(640,480))
# 定義一個5×5的卷積核
kernel = np.ones((5,5),np.uint8)
# 開運算 cv.morphologyEx(src,op,kernel) # 先腐蝕再膨脹
open = cv.morphologyEx(car,cv.MORPH_OPEN,kernel)
# 閉運算 cv.morphologyEx(src,op,kernel) # 先膨脹再腐蝕
close = cv.morphologyEx(car,cv.MORPH_CLOSE,kernel)# 顯示圖像
cv.imshow("car",car)
cv.imshow("open",open)
cv.imshow("close",close)
cv.waitKey(0)
cv.destroyAllWindows()

案例三：

import cv2 as cv
import numpy as npcar = cv.imread("images/car4.png")
car = cv.resize(car,(640,480))
# 定義一個5×5的卷積核
kernel = np.ones((5,5),np.uint8)
# 禮帽運算cv.morphologyEx(src,op,kernel) 原圖減"開運算"
dst_top = cv.morphologyEx(car,cv.MORPH_TOPHAT,kernel)# 黑帽運算cv.morphologyEx(src,op,kernel) "閉運算"的結果圖與原圖像之差
dst_black = cv.morphologyEx(car,cv.MORPH_BLACKHAT,kernel)cv.imshow("car",car)
cv.imshow("dst_top",dst_top)
cv.imshow("dst_black",dst_black)
cv.waitKey(0)
cv.destroyAllWindows()

案例四：

import cv2 as cv
import numpy as npcar = cv.imread("images/car4.png")
car = cv.resize(car,(640,480))
# 定義一個5×5的卷積核
kernel = np.ones((5,5),np.uint8)
# 形態學梯度 cv2.morphologyEx(src,op,kernel) 像素點在膨脹后的圖像值與其在腐蝕后的圖像值之差
gradient = cv.morphologyEx(car,cv.MORPH_GRADIENT,kernel)
cv.imshow("gradient",gradient)
cv.imshow("car",car)
cv.waitKey(0)
cv.destroyAllWindows()