基于python的OpenCV快速入门——形态学操作

基于python的OpenCV快速入门——形态学操作

#太原理工机器人团队20日打卡day20

​ 形态学，即数学形态学（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。
​ 形态学操作主要包含：腐蚀、膨胀、开运算、闭运算、形态学梯度（Morphological Gradient）运算、顶帽运算（礼帽运算）、黑帽运算等操作。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结合，就可以实现开运算、闭运算、形态学梯度运算、顶帽运算、黑帽运算、击中击不中等不同形式的运算。

1、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素的部分去除。

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。

​需要注意的是，腐蚀操作等形态学操作是逐个像素地来决定值的，每次判定都是与结构元中心点所对应的点

• 如果结构元完全处于前景图像中，就将结构元中心点所对应的腐蚀结果图像中的像素点处理为前景色（白色，像素点的像素值为1）。
• 如果结构元未完全处于前景图像中（可能部分在，也可能完全不在），就将结构元中心点对应的腐蚀结果图像中的像素点处理为背景色（黑色，像素点的像素值为0）。

• 在OpenCV中，使用函数cv2.erode（）实现腐蚀操作
• 其语法格式为

st = cv2.erode( src, kernel[, anchor[, iterations[, borderType[,borderValue]]]] )

式中：

• dst是腐蚀后所输出的目标图像，该图像和原始图像具有同样的类型和大小。

• src是需要进行腐蚀的原始图像，图像的通道数可以是任意的。但是要求图像的深度必须是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一种。

• 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。该项的具体值如表所示。
  

• 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。

示例代码

import cv2
import numpy as np
img = cv2.imread("21.jpg",cv2.IMREAD_UNCHANGED)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel)
cv2.imshow("orriginal",img)
cv2.imshow("erosion",erosion)
cv2.waitKey()
cv2.destroyAllWindows()

该图选的不好，但也能勉强看出效果

2、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。

​ 同腐蚀过程一样，在膨胀过程中，也是使用一个结构元来逐个像素地扫描要被膨胀的图像，并根据结构元和待膨胀图像的关系来确定膨胀结果。

根据这两种不同关系来决定膨胀结果图像中，与结构元中心像素重合的点的像素值。

• 如果结构元中任意一点处于前景图像中，就将膨胀结果图像中对应像素点处理为前景色。
• 如果结构元完全处于背景图像外，就将膨胀结果图像中对应像素点处理为背景色。

• 在OpenCV内，采用函数cv2.dilate()实现对图像的膨胀操作
• 该函数的语法结构为：

    dst = cv2.dilate( src, kernel[, anchor[, iterations[, borderType[,borderValue]]]])

式中：

• dst代表膨胀后所输出的目标图像，该图像和原始图像具有同样的类型和大小。
• src代表需要进行膨胀操作的原始图像。图像的通道数可以是任意的，但是要求图像的深度必须是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一种。
• element代表膨胀操作所采用的结构类型。它可以自定义生成，也可以通过函数cv2.getStructuringElement()生成。
  • 参数kernel、anchor、iterations、borderType、borderValue与函数cv2.erode()内相应参数的含义一致。

3、开运算

​ 例如，在图中，通过先腐蚀后膨胀的开运算操作实现了去噪，其中：

• 左图是原始图像。
• 中间的图是对原始图像进行腐蚀的结果。
• 右图是对腐蚀后的图像进行膨胀的结果，即对原始图像进行开运算的处理结果。

从图中可以看到，原始图像在经过腐蚀、膨胀后实现了去噪的目的。除此以外，开运算还可以用于计数。

例如，在对图中的区域进行计数前，可以利用开运算将连接在一起的不同区域划分开，其中：

• 左图是原始图像。

• 中间的图是对原始图像进行腐蚀的结果。
  右图是对腐蚀后的图像进行膨胀的结果，即对原始图像进行开运算的处理结果。

• 通过将函数cv2.morphologyEx()中操作类型参数op设置为“cv2.MORPH_OPEN”，可以实现开运算。

• 其语法结构如下：

  opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

4、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。

• 通过将函数cv2.morphologyEx()中操作类型参数op设置为“cv2.MORPH_CLOSE”，可以实现闭运算。
• 其语法结构如下：

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

5、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。

​形态学梯度运算使用膨胀图像（扩张亮度）减腐蚀图像（收缩亮度），得到原始图像中前景对象的边缘。

• 通过将函数cv2.morphologyEx()的操作类型参数op设置为“cv2.MORPH_GRADIENT”，可以实现形态学梯度运算。

• 其语法结构如下：

  result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

6、礼帽运算

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。

​ 礼帽运算使用原始图像减开运算图像得到礼帽图像，礼帽图像是原始图像中的噪声信息。

• 通过将函数cv2.morphologyEx()中操作类型参数op设置为“cv2.MORPH_TOPHAT”，可以实现礼帽运算。
• 其语法结构如下：

 result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

7、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。

黑帽运算使用闭运算图像减原始图像得到黑帽图像，黑帽图像是原始图像中的小孔（噪声）。

• 通过将函数cv2.morphologyEx()中操作类型参数op设置为“cv2.MORPH_BLACKHAT”，可以实现黑帽运算。

• 其语法结构如下：

      result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)