三、形态学处理（腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽和黑帽操作）

形态学处理：

1. 腐蚀

2. 膨胀

3. 开运算

4. 闭运算

5. 梯度运算

6. 顶帽和黑帽操作

---

cv2.morphologyEx：三个对应的参数

• 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。图像位深应该为以下五种之一：CV_8U, CV_16U,CV_16S, CV_32F 或CV_64F。
• 第二个参数，OutputArray类型的dst，即目标图像，函数的输出参数，需要和源图片有一样的尺寸和类型。
• 第三个参数，int类型的op，表示形态学运算的类型，可以是如下之一的标识符：

• MORPH_DILATE – 膨胀
• MORPH_ERODE – 腐蚀
• MORPH_OPEN – 开运算（Opening operation）
• MORPH_CLOSE – 闭运算（Closing operation）
• MORPH_GRADIENT -形态学梯度（Morphological gradient）
• MORPH_TOPHAT - “顶帽”（“Top hat”）
• MORPH_BLACKHAT - “黑帽”（“Black hat“）

• 第四个参数，InputArray类型的kernel，形态学运算的内核。若为NULL时，表示的是使用参考点位于中心3x3的核。我们一般使用函数 getStructuringElement配合这个参数的使用。
• 第五个参数，Point类型的anchor，锚的位置，其有默认值（-1，-1），表示锚位于中心。
• 第六个参数，int类型的iterations，迭代使用函数的次数，默认值为1。
• 第七个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_ CONSTANT。
• 第八个参数，const Scalar&类型的borderValue，当边界为常数时的边界值，有默认值morphologyDefaultBorderValue()，一般我们不用去管他。需要用到它时，可以看官方文档中的createMorphologyFilter()函数得到更详细的解释。

1、腐蚀

目的：消除噪声、分割出独立的图像元素、在图像中连接相邻的元素、寻找出图像中的明显的极大值区域或者极小值区域、寻找图像的梯度

同样膨胀也是这个目的！下面是腐蚀的原理！

腐蚀就是求图像区域最小值的操作。将图像（图像的一部分区域）与核进行卷积 核可以是任意形状和大小，可以自己定义，或者称为锚点 核与图像进行卷积，就是计算核覆盖的区域的像素点的最大值（最小值），分别对应膨胀和腐蚀 腐蚀和膨胀是一对好朋友，是相反的一对操作， 腐蚀就是求局部最小值的操作 ，而膨胀是求局部最大值的操作。

import numpy as np
import cv2
import matplotlib.pyplot as plt

img = cv2.imread('../image/caicai.jpg')
# cv2.imshow('img',img)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

"""
    1、腐蚀和膨胀
    将图像（图像的一部分区域）与核进行卷积
    核可以是任意形状和大小，可以自己定义，或者称为锚点
    核与图像进行卷积，就是计算核覆盖的区域的像素点的最大值（最小值），分别对应膨胀和腐蚀
    腐蚀和膨胀是一对好朋友，是相反的一对操作
    腐蚀就是求局部最小值的操作
    而膨胀是求局部最大值的操作
"""
kernel = np.ones((5,5),np.uint8)
print(kernel,kernel.shape)
erosion = cv2.erode(img,kernel,iterations=1)
# cv2.imshow('erosion',erosion)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

pie = cv2.imread('../image/caicai.jpg')
cv2.imshow('pie',pie)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

kernel2 = np.ones((30,30),np.uint8)
erosion_1 = cv2.erode(pie,kernel2,iterations=1)
erosion_2 = cv2.erode(pie,kernel2,iterations=2)
erosion_3 = cv2.erode(pie,kernel2,iterations=3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图：后面的图像都是基于这张图片！！！

显示出1，2，3次迭代后的图像

 2、膨胀

就是求图像区域的最大值操作，将图像的区域与卷积核进行卷积操作，这个核的大小我们自己可以自己设置，计算核覆盖的区域的像素点的最大值，然后把最大值赋给参考点指定的像素，会使得图像的高亮区域变得更明显！也就是本来很优秀，变得更优秀了呢？你说气不气人！！！这就是膨胀！下面是原理图！

 

import cv2
import numpy as np

"""
    膨胀操作
    核与图像区域进行卷积，然后求局部最大值
    
    效果就是线条变得更加粗糙
"""
img = cv2.imread('../image/caicai.jpg')
# cv2.imshow('img',img)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

kernel = np.ones((3,3),np.uint8)
dilate = cv2.dilate(img,kernel,iterations=1)
res = np.hstack((img,dilate))
# cv2.imshow('res',res)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

#线条变得更粗糙了
kernel2 = np.ones((4,4),np.uint8)
dilate_1 = cv2.dilate(img,kernel2,iterations=1)
dilate_2 = cv2.dilate(img,kernel2,iterations=2)
dilate_3 = cv2.dilate(img,kernel2,iterations=3)

res = np.hstack((dilate_1,dilate_2,dilate_3))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

上面分别分别代表膨胀迭代次数为1，2，3的结果

3、开运算

就是先执行腐蚀操作后，再进行膨胀！

import cv2
import numpy as np

"""
    开运算：
    先腐蚀后膨胀
"""
img = cv2.imread('../image/caicai.jpg')
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
cv2.imshow('opening',opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

4、闭操作

先膨胀后腐蚀操作

import cv2
import numpy as np
"""
    闭操作
    先膨胀，再腐蚀
"""
img = cv2.imread('../image/caicai.jpg')
close = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel=(5,5))
cv2.imshow('close',close)
cv2.waitKey(0)
cv2.destroyAllWindows()

5、梯度运算

梯度运算：膨胀 — 腐蚀

先对图像做膨胀操作，再做腐蚀操作，然后膨胀减去腐蚀即可得到梯度运算！

import cv2
import numpy as np

"""
    梯度：膨胀-腐蚀
"""
img = cv2.imread('../image/smiledog.jpg')
kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(img,kernel,iterations=5)
ersion = cv2.erode(img,kernel,iterations=5)
res = np.hstack((img,dilate,ersion))
# cv2.imshow('res',res)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

gradient = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
cv2.imshow('gradient',gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

6、顶帽和黑帽操作

顶帽：原始输入 — 开运算结果，然后得到的是图像的噪声！

顶帽运算(img) = 原始图像(img) - 开运算(img) 

黑帽：闭运算 — 原始输入，得到图像内部的小孔，或者前景色中的小黑点

黑帽运算(img) = 闭运算图像(img) - 原始图像(img)

import cv2
import numpy as np

"""
    顶帽=原始输入-开运算结果(先腐蚀后膨胀，细节就被腐蚀没了，然后再膨胀)
    黑帽=闭运算（先膨胀细节就被扩大，然后再腐蚀）-原始输入（原图像的内容）
"""

#顶帽
img = cv2.imread('../image/smiledog.jpg')
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel=(3,3))
# cv2.imshow('tophat',tophat)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

#黑帽
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel=(7,7))
# cv2.imshow('blackhat',blackhat)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

res = np.hstack((tophat,blackhat))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

 结果换了条狗，结果更加明显点！

 具体的细节可能没讲到，大家可以自行度娘！