OpenCV图像形态学（一）-形态学操作

通过阈值化分割可以得到二值图，但往往会出现图像中物体形态不完整，变的残缺，可以通过形态学处理，使其变得丰满，或者去除掉多余的像素。形态学的应用：消除噪声、边界提取、区域填充、连通分量提取、凸壳、细化、粗化等；分割出独立的图像元素，或者图像中相邻的元素；求取图像中明显的极大值区域和极小值区域；求取图像梯度

void morphologyEx( InputArray src, OutputArray dst,
                                int op,//形态学运算的类型
                                InputArray kernel,//卷积核
                                Point anchor = Point(-1,-1), 
                                int iterations = 1,//执行操作的次数
                                int borderType = BORDER_CONSTANT,
                                const Scalar& borderValue = morphologyDefaultBorderValue() )

op：
MORPH_OPEN 开运算
MORPH_CLOSE 闭运算
MORPH_GRADIENT 形态学梯度
MORPH_TOPHAT 顶帽
MORPH_BLACKHAT 黑帽
MORPH_ERODE 腐蚀
MORPH_DILATE 膨胀

kernel形态运算的内核，一般由getStructuringElement函数生成，有三种形状
MORPH_RECT 矩形
MORPH_CROSS 交叉形
MORPH_ELLIPSE 椭圆形

膨胀与腐蚀

是形态学的基本操作，在灰度图像中也是如此，在二值图像中腐蚀和膨胀定义为对图像进行translation以后的“与”和“或”的逻辑操作结果，在灰度图像中，为了保存灰度信息，“与”和“或”操作被对应的替换成了“最大值”和“最小值”操作这样就给出了灰度图像中腐蚀和膨胀的操作定义。

膨胀

桥接断裂，修复断裂的结构元

void dilate( InputArray src,
          OutputArray dst,
          InputArray kernel,
          Point anchor = Point(-1,-1),
          int iterations = 1,
          int borderType = BORDER_CONSTANT,
          const Scalar& borderValue = morphologyDefaultBorderValue());

腐蚀

将小于结构元的图像细节从图像中去除

void erode( InputArray src,
          OutputArray dst,
          InputArray kernel,
          Point anchor = Point(-1,-1),
          int iterations = 1,
          int borderType = BORDER_CONSTANT,
          const Scalar& borderValue = morphologyDefaultBorderValue() );

开运算和闭运算

开运算

先腐蚀后膨胀的过程。可以用来消除黑色背景中的白色斑点（背景中的白点），在纤细点处分离物体，并且平滑物体的轮廓、断开较窄的狭颈

morphologyEx( InputArray src, OutputArray dst,MORPH_OPEN,element)

闭运算

先膨胀后腐蚀，能够消除白色背景中的黑色斑点（前景中的黑点），一般会弥合较窄的尖端和细长的沟壑，消除小的孔洞，填补轮廓线的断裂。它有助于关闭前景物体内部的小孔，或物体上的小黑点。

morphologyEx( InputArray src, OutputArray dst,MORPH_CLOSE,element)

形态学梯度

膨胀（image）-腐蚀（image），是膨胀图减去腐蚀图的差，将团块（blob）边缘凸显，用来保留物体的边缘轮廓。
可以计算的梯度常见如下四种：
基本梯度：
基本梯度是用膨胀后的图像减去腐蚀后的图像得到差值图像，称为梯度图像也是OpenCV中支持的计算形态学梯度的方法，而此方法得到梯度有被称为基本梯度。
内部梯度：
是用原图像减去腐蚀之后的图像得到差值图像，称为图像的内部梯度。
外部梯度：
是用图像膨胀之后再减去原来的图像得到的差值图像，称为图像的外部梯度。
方向梯度：
方向梯度是使用X方向与Y方向的直线作为结构元素之后得到图像梯度，用X方向直线做结构元素分别膨胀与腐蚀之后得到图像求差值之后称为X方向梯度，用Y方向直线做结构元素分别膨胀与腐蚀之后得到图像求差值之后称为Y方向梯度。

int main()
{
//首先读入图像,并二值化
    cv::Mat srcImage = cv::imread("../pictures/000177.png",cv::IMREAD_GRAYSCALE);
    cv::threshold(srcImage,srcImage,125,255,cv::THRESH_BINARY);
 
    cv::imshow("srcImage",srcImage);
 
    //获取进行形态学操作的核
    cv::Mat elementRect;
    elementRect = cv::getStructuringElement(cv::MORPH_RECT,cv::Size(3,3),cv::Point(-1,-1));
 
    //膨胀
    cv::Mat dilateImage;
    cv::dilate(srcImage,dilateImage,elementRect);
    //cv::morphologyEx(srcImage,dilateImage,cv::MORPH_DILATE,elementRect);
 
    //腐蚀
    cv::Mat erodeImage;
    cv::erode(srcImage,erodeImage,elementRect);
    //cv::morphologyEx(srcImage,dilateImage,cv::MORPH_ERODE,elementRect);
 
 
    //1.计算基本梯度：膨胀后的图像减去腐蚀后的图像
    cv::Mat basicGradient;
    cv::subtract(dilateImage, erodeImage, basicGradient, cv::Mat());
    //cv::morphologyEx(srcImage,basicGradient,cv::MORPH_GRADIENT,elementRect);//两者等效
    cv::imshow("basicGradient", basicGradient);
 
    //2.计算内部梯度：原图像减去腐蚀之后的图像
    cv::Mat internalGradientImg;
    cv::subtract(srcImage, erodeImage, internalGradientImg, cv::Mat());
    cv::imshow("internalGradientImg", internalGradientImg);
 
    //3.计算外部梯度：膨胀后的图像减去原图像
    cv::Mat externalGradientImg;
    cv::subtract(dilateImage, srcImage, externalGradientImg, cv::Mat());
    cv::imshow("externalGradientImg", externalGradientImg);
 
    //4.方向梯度：使用X方向与Y方向的直线作为结构元素---------
    //cv::Mat hse = getStructuringElement(cv::MORPH_RECT, cv::Size(srcImage.cols / 16, 1),cv::Point(-1,-1));
    //cv::Mat vse = getStructuringElement(cv::MORPH_RECT, cv::Size(1, srcImage.rows / 16),cv::Point(-1,-1));
    cv::Mat hse = getStructuringElement(cv::MORPH_RECT, cv::Size(3, 1),cv::Point(-1,-1));
    cv::Mat vse = getStructuringElement(cv::MORPH_RECT, cv::Size(1, 3),cv::Point(-1,-1));
    cv::Mat  xDirectImg, yDirectImg;
    //4.1 X 方向梯度：膨胀与腐蚀之后得到图像求差值
    cv::erode(srcImage, erodeImage, hse);
    cv::dilate(srcImage, dilateImage, hse);
    cv::subtract(dilateImage, erodeImage, xDirectImg, cv::Mat());
    cv::imshow("xDirectImg", xDirectImg);
    //cv::imshow("dilateImage",dilateImage);
    //cv::imshow("erodeImage",erodeImage);
    //4.2 Y 方向梯度：膨胀与腐蚀之后得到图像求差值
    cv::erode(srcImage, erodeImage, vse);
    cv::dilate(srcImage, dilateImage, vse);
    cv::subtract(dilateImage, erodeImage, yDirectImg, cv::Mat());
    cv::imshow("yDirectImg", yDirectImg);
 
    cv::waitKey(0);
    return 0;
}

击中与击不中变换

采用两个结构基元H,M,作为一个结构元素对B= (H, M) ,一个探测目标内部,一个探测目标外部。当且仅当H平移到某一点可填入X的内部, M平移到该点可填入A的外部时,该点才在击中击不中变换的输出中。则击中击不中变换为:用B1去腐蚀A,然后用B2去腐蚀A的补集,得到的结果相减就是击中击不中变换。
击中其实是一种模板匹配，如果一个结构元（模板）与图像中的一个连通区域完全相等，那么腐蚀的结果将是一个点，这就算是“击中”了，因为找到了完全一致的模式（模式的含义去查一下吧，这里的模式和模式识别的模式含义相同），但如果模板与联通区域去不完全相同，但腐蚀后的结果还是一个点，我们也称为一种“击中”，但不是严格的击中，比如我们的模板是一个直径为10的实心圆形，连通区域是一个直径为10的实心圆和一个直径为1的实心圆的并列排布，其腐蚀结果也是一个点，但其不是完美的击中，要找到完美的击中，必须在模板外面加个边框（或者是背景），这样的结果就不会出现不完美击中，我们可以选模板外一圈黑色的背景（红色背景）作为边框，与上述连通区域做击中操作，很明显。

应用：①物体识别:将击中基元设计成为需要识别的图像的样子,击不中基元设计为击中基元取反后的样子,然后用这两个基元对图像进行检测即可。②图像细化:将图像变细,就像取到了图像的骨架。

 morphologyEx(input_image, output_image, MORPH_HITMISS, kernel);

顶帽与黑帽变换

顶帽

礼帽（image）=image-开运算（image），是原图减去“开运算”的结果图之差，突出了比原图轮廓周围区域更亮的区域，用来分离比邻近点亮一些的斑块。顶帽变换用于凸显暗背景上的亮物体。对二值图来说，进行顶帽变换或之后底帽变换看起来就像是加一个阴影，有一种立体的效果。

morphologyEx( InputArray src, OutputArray dst,MORPH_TOPHAT,element)

黑帽

黑帽（image）=闭运算（image）-image，是闭运算的结果减去原图像之差，突出了比原图轮廓周围区域更暗的区域。黑帽运算用来分离比邻近点暗一些的斑块，黑帽变换可以用于凸显亮背景上的暗物体。二值图效果与顶帽变换相比，就是一个方向相反的阴影。

morphologyEx( InputArray src, OutputArray dst,MORPH_BLACKHAT,element)

参考文献

1. http://blog.csdn.net/tonyshengtan
2. https://blog.csdn.net/u012851419/article/details/78026596
3. https://blog.csdn.net/leonardohaig/article/details/87723821