OpenCv Python实现之形态学操作
OpenCv Python实现之形态学操作
A：什么是形态学形态学。
Q:数学形态学（Mathematical Morphology），是图像处理过程中一个非常重要的研究方向。形态学主要从图像内提取分量信息，该分量信息通常对于表达和描绘图像的形状具有重要意义，通常是图像理解时所使用的最本质的形状特征。例如，在识别手写数字时，能够通过形态学运算得到其骨架信息，在具体识别时，仅针对其骨架进行运算即可。形态学处理在视觉检测、文字识别、医学图像处理、图像压缩编码等领域都有非常重要的应用。
本节学习内容如下：
- 腐蚀
- 膨胀
- 开运算
- 闭运算
- 形态学梯度运算
- 顶帽运算（礼貌运算）
- 黑帽运算
- 核函数
首先我们先学习形态学操作最基础的两个运算，后续的操作都是基于这两个运算结合，它们分别是腐蚀、膨胀。
1.腐蚀
腐蚀：腐蚀是最基本的形态学操作之一，它能够将图像的边界点消除，使图像沿着边界向内收缩，也可以将小于指定结构体元。
在腐蚀过程中，通常使用一个结构元来逐个像素地扫描要被腐蚀的图像，并根据结构元和被腐蚀图像的关系来确定腐蚀结果。
语法格式：
dst=cv2.erode（src,kernel[,anchor[,iterations[,borderType[,borderValue]]]])
参数介绍：
- kernel: 代表腐蚀操作时所采用的结构类型。它可以自定义生成，也可以通过函数cv2.getStructuringElement（）生成。
- anchor代表element结构中锚点的位置。该值默认为（-1,-1），在核的中心位置。
- iterations是腐蚀操作迭代的次数，该值默认为1，即只进行一次腐蚀操作。
- borderType代表边界样式，一般采用其默认值BORDER_CONSTANT。
- borderValue 是边界值，一般采用默认值。在 C++中提供了函数 morphologyDefault BorderValue（）来返回腐蚀和膨胀的“魔力（magic）”边界值，Python不支持该函数。
eg.
img=np.zeros（（5,5）,np.uint8）
img[1:4,1:4]=1
kernel=np.ones（（3,1）,np.uint8）
erosion=cv2.erode（img,kernel）
print（"img=\n",img）
print（"kernel=\n",kernel）
print（"erosion=\n",erosion）
o=cv2.imread（"erode.bmp",cv2.IMREAD_UNCHANGED）
kernel=np.ones（（5,5）,np.uint8）
erosion=cv2.erode（o,kernel）
cv2.imshow（"orriginal",o）
cv2.imshow（"erosion",erosion）
cv2.waitKey（）
cv2.destroyAllWindows（）
运行结果：
2.膨胀
膨胀：膨胀操作是形态学中另外一种基本的操作。膨胀操作和腐蚀操作的作用是相反的，膨胀操作能对图像的边界进行扩张。膨胀操作将与当前对象（前景）接触到的背景点合并到当前对象内，从而实现将图像的边界点向外扩张。如果图像内两个对象的距离较近，那么在膨胀的过程中，两个对象可能会连通在一起。膨胀操作对填补图像分割后图像内所存在的空白相当有帮助。
语法结构：
dst=cv2.dilate（src,kernel[,anchor[,iterations[,borderType[,borderValue]]]]）
eg.
img=np.zeros((5,5),np.uint8)
img[2:3,1:4]=1
kernel=np.ones((3,1),np.uint8)
dilation=cv2.dilate(img,kernel)
print(img)
print(kernel)
print(dilation)
original_image=cv2.imread('imgs/pengzhan_eg.jpg',cv2.IMREAD_UNCHANGED)
kernel=np.ones((5,5),np.uint8)
dilation=cv2.dilate(original_image,kernel,iterations=3)
cv2.imshow('o',original_image)
cv2.imshow('dilation',dilation)
if cv2.waitKey(0)==27:
cv2.destroyAllWindows()
运行结果：
3.通用形态学函数
腐蚀操作和膨胀操作是形态学运算的基础，将腐蚀和膨胀操作进行组合，就可以实现开运算、闭运算（关运算）、形态学梯度（Morphological Gradient）运算、礼帽运算（顶帽运算）、黑帽运算、击中击不中等多种不同形式的运算。
语法格式：
dst=cv2.morphologyEx（src,op,kernel[,anchor[,iterations[,borderType[,borderValue]]]]]）
- op 代表操作类型，如表8-2所示。各种形态学运算的操作规则均是将腐蚀和膨胀操作进行组合而得到的。
参数kernel、anchor、iterations、borderType、borderValue与函数cv2.erode（）内相应参数的含义一致。
4.开运算
开运算进行的操作是先将图像腐蚀，再对腐蚀的结果进行膨胀。开运算可以用于去噪、计数等。
语法结构：
opening=cv2.morphologyEx（img,cv2.MORPH_OPEN,kernel）
eg.
img1=cv2.imread（"opening.bmp"）
img2=cv2.imread（"opening2.bmp"）
k=np.ones（（10,10）,np.uint8）
r1=cv2.morphologyEx（img1,cv2.MORPH_OPEN,k）
r2=cv2.morphologyEx（img2,cv2.MORPH_OPEN,k）
cv2.imshow（"img1",img1）
cv2.imshow（"result1",r1）
cv2.imshow（"img2",img2）
cv2.imshow（"result2",r2）
cv2.waitKey（）
cv2.destroyAllWindows（）
运行结果：
5.闭运算
闭运算是先膨胀、后腐蚀的运算，它有助于关闭前景物体内部的小孔，或去除物体上的小黑点，还可以将不同的前景图像进行连接。
语法结构：
closing=cv2.morphologyEx（img,cv2.MORPH_CLOSE,kernel）
eg.
img1=cv2.imread（"closing.bmp"）
img2=cv2.imread（"closing2.bmp"）
k=np.ones（（10,10）,np.uint8）
r1=cv2.morphologyEx（img1,cv2.MORPH_CLOSE,k,iterations=3）
2=cv2.morphologyEx（img2,cv2.MORPH_CLOSE,k,iterations=3）
cv2.imshow（"img1",img1）
cv2.imshow（"result1",r1）
cv2.imshow（"img2",img2）
cv2.imshow（"result2",r2）
cv2.waitKey（）
cv2.destroyAllWindows（）
运行结果：
6.形态学梯度运算
形态学梯度运算是用图像的膨胀图像减腐蚀图像的操作，该操作可以获取原始图像中前景图像的边缘。
语法结构:
result=cv2.morphologyEx（img,cv2.MORPH_GRADIENT,kernel）
eg.
o=cv2.imread（"gradient.bmp",cv2.IMREAD_UNCHANGED）
k=np.ones（（5,5）,np.uint8）
r=cv2.morphologyEx（o,cv2.MORPH_GRADIENT,k）
cv2.imshow（"original",o）
cv2.imshow（"result",r）
cv2.waitKey（）
cv2.destroyAllWindows（）
运行结果：
7.礼貌运算
礼帽运算是用原始图像减去其开运算图像的操作。礼帽运算能够获取图像的噪声信息，或者得到比原始图像的边缘更亮的边缘信息。
语法结构：
result=cv2.morphologyEx（img,cv2.MORPH_TOPHAT,kernel）
eg.
1=cv2.imread（"tophat.bmp",cv2.IMREAD_UNCHANGED）
o2=cv2.imread（"lena.bmp",cv2.IMREAD_UNCHANGED）
k=np.ones（（5,5）,np.uint8）
r1=cv2.morphologyEx（o1,cv2.MORPH_TOPHAT,k）
r2=cv2.morphologyEx（o2,cv2.MORPH_TOPHAT,k）
cv2.imshow（"original1",o1）
cv2.imshow（"original2",o2）
cv2.imshow（"result1",r1）
cv2.imshow（"result2",r2）
cv2.waitKey（）
cv2.destroyAllWindows（）
运行结果：
8.黑帽运算
黑帽运算是用闭运算图像减去原始图像的操作。黑帽运算能够获取图像内部的小孔，或前景色中的小黑点，或者得到比原始图像的边缘更暗的边缘部分。
语法结构：
result=cv2.morphologyEx（img,cv2.MORPH_BLACKHAT,kernel）
eg.
o1=cv2.imread（"blackhat.bmp",cv2.IMREAD_UNCHANGED）
o2=cv2.imread（"lena.bmp",cv2.IMREAD_UNCHANGED）
k=np.ones（（5,5）,np.uint8）
r1=cv2.morphologyEx（o1,cv2.MORPH_BLACKHAT,k）
r2=cv2.morphologyEx（o2,cv2.MORPH_BLACKHAT,k）
cv2.imshow（"original1",o1）
cv2.imshow（"original2",o2）
cv2.imshow（"result1",r1）
cv2.imshow（"result2",r2）
cv2.waitKey（）
cv2.destroyAllWindows（）
运行结果：
9.核函数
在进行形态学操作时，必须使用一个特定的核（结构元）。该核可以自定义生成，也可以通过函数 cv2.getStructuringElement（）构造。
函数 cv2.getStructuringElement（）能够构造并返回一个用于形态学处理所使用的结构元素。
语法格式：
retval=cv2.getStructuringElement（shape,ksize[,anchor]）
该函数用来返回一个用于形态学操作的指定大小和形状的结构元素。
shape代表形状类型，其可能的取值如下表所示。
eg.
o=cv2.imread（"kernel.bmp",cv2.IMREAD_UNCHANGED）
kernel1=cv2.getStructuringElement（cv2.MORPH_RECT,（59,59））
kernel2=cv2.getStructuringElement（cv2.MORPH_CROSS,（59,59））
kernel3=cv2.getStructuringElement（cv2.MORPH_ELLIPSE,（59,59））
dst1=cv2.dilate（o,kernel1）
dst2=cv2.dilate（o,kernel2）
dst3=cv2.dilate（o,kernel3）
cv2.imshow（"orriginal",o）
cv2.imshow（"dst1",dst1）
cv2.imshow（"dst2",dst2）
cv2.imshow（"dst3",dst3）
cv2.waitKey（）
cv2.destroyAllWindows（）
运行结果
本节内容引用自《OpenCV轻松入门：面向Python》 李立宗著。
下节我们将学习 OpenCV之图像梯度