基本概念
定义
形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数，一个是原始图像，第二个被称为结构化元素或核，它是用来决定操作的性质的。两个基本的形态学操作是腐蚀和膨胀。他们的变体构成了开运算，闭运算，梯度等。
结构元素
图像处理经常要用到形态学操作，其中首先要获取结构元素。包括结构元素的大小及形状。
使用 Numpy 构建的结构化元素，它是正方形的。但有时我们需要构建一个椭圆形/圆形的核。为了实现这种要求，使用OpenCV函数 cv2.getStructuringElement()。只需要告诉他需要的核的形状和大小。
import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline
def cv_showimg(name,img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 矩形
kernel = np.ones((5,5),np.uint8)
kernel_1 = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
print("矩形:\n%s"%kernel)
print("矩形1:\n%s"%kernel_1)
# 椭圆
kernel_2 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
print("椭圆:\n%s"%kernel_2)
# 十字形
kernel_3 = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
print("十字:\n%s"%kernel_3)
矩形:
[[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]]
矩形1:
[[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]]
椭圆:
[[0 0 1 0 0]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[0 0 1 0 0]]
十字:
[[0 0 1 0 0]
[0 0 1 0 0]
[1 1 1 1 1]
[0 0 1 0 0]
[0 0 1 0 0]]
矩形:
[[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]]
矩形1:
[[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]]
椭圆:
[[0 0 1 0 0]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[0 0 1 0 0]]
十字:
[[0 0 1 0 0]
[0 0 1 0 0]
[1 1 1 1 1]
[0 0 1 0 0]
[0 0 1 0 0]]
基本形态学操作
腐蚀操作
在深蓝色正方形上使用圆盘进行腐蚀运算，结果为浅蓝色正方形。
腐蚀作用：可以用来消除小且无意义的物体。
腐蚀原理图.png
dst =cv2.erode(src,kernel,iterations = 1)
参数意义如下:
- src：输入图像
- dst：输出图像
- kernel：核(结构元素)
- iterations：迭代次数
img = cv2.imread('dige.png')
cv_showimg('img',img)
原图.PNG
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
cv_showimg('erosion',erosion)
腐蚀操作.PNG
pie = cv2.imread('pie.png')
kernel = np.ones((30,30),np.uint8)
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
res = np.hstack((pie,erosion_1,erosion_2))
cv_showimg('res',res)
腐蚀操作的迭代结果.PNG
膨胀操作
在深蓝色正方形上使用圆盘进行膨胀运算，结果为浅蓝色正方形，带有圆角。
膨胀作用：可以用来填补物体中的空洞。
膨胀原理图.png
dst = cv2.dilate(src,kernel,iterations = 1)
参数意义如下：
- src：输入图像
- dst：输出图像
- kernel：核(结构元素)
- iterations：迭代次数
kernel = np.ones((3,3),np.uint8)
dilate = cv2.dilate(img,kernel,iterations = 1)
cv_showimg('dilate',dilate)
膨胀操作.PNG
pie = cv2.imread('pie.png')
kernel = np.ones((30,30),np.uint8)
dilate_1 = cv2.dilate(pie,kernel,iterations = 1)
dilate_2 = cv2.dilate(pie,kernel,iterations = 2)
res = np.hstack((pie,dilate_1,dilate_2))
cv_showimg('res',res)
膨胀操作的迭代结果.PNG
开运算
在数学形态学中，开运算被定义为先腐蚀后膨胀。
开运算作用：它被用来去除噪声
opening = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)
参数意义如下:
- src：输入图像
- cv2.MORPH_OPEN：形态学开运算
- kernel：核(结构元素)
img = cv2.imread('dige.png')
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv_showimg('opening',opening)
开运算.PNG
高级形态学操作
闭运算
在数学形态学中，闭运算被定义为先膨胀后腐蚀。
闭运算作用：经常被用来填充前景物体中的小洞，或者前景物体上的小黑点。
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
参数意义如下:
- src：输入图像
- cv2.MORPH_CLOSE：形态学闭运算
- kernel：核(结构元素)
img = cv2.imread('dige.png')
kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv_showimg('closing',closing)
闭运算.PNG
形态学梯度
其实就是一幅图像膨胀与腐蚀的之差。
形态学梯度作用：提取前景物体的轮廓。
gradient = cv2.morphologyEx(src, cv2.MORPH_GRADIENT, kernel)
参数意义如下:
- src：输入图像
- cv2.MORPH_GRADIENT：形态学闭运算
- kernel：核(结构元素)
pie = cv2.imread('pie.png')
kernel = np.ones((7,7),np.uint8)
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
cv_showimg('gradient',gradient)
形态学梯度.PNG
礼帽操作
原始图像与进行开运算之后得到的图像的差。
形态学礼帽作用：提取图像中的噪声。
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
参数意义如下:
- src：输入图像
- cv2.MORPH_TOPHAT：形态学礼帽
- kernel：核(结构元素)
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv_showimg('tophat',tophat)
礼帽.PNG
黑帽
进行闭运算之后得到的图像与原始图像的差。
形态学黑帽作用：突出噪声与原始图像的交界处，可近似表现出一些轮廓。
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
参数意义如下:
- src：输入图像
- cv2.MORPH_BLACKHAT：形态学黑帽
- kernel：核(结构元素)
img = cv2.imread('dige.png')
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv_showimg('blackhat',blackhat)
黑帽操作.PNG