形态学转换 开运算 闭运算 形态学梯度
- 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
腐蚀
- 根据卷积核的大小靠近前景的所有像素都会被腐蚀掉（变为 0）
- 所以前景物体会变小，整幅图像的白色区域会减少。
- 这对于去除白噪声很有用，也可以用来断开两个连在一块的物体等。
erosion = cv2.erode(img,kernel,iterations = 1)
膨胀
- 与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是 1，中心元素的像素值就是 1。
- 所以这个操作会增加图像中的白色区域（前景）。
- 一般在去噪声时先用腐蚀再用膨胀。因为腐蚀在去掉白噪声的同时，也会使前景对象变小。所以我们再对他进行膨胀。
- 噪声已经被去除了，不会再回来了，但是前景还在并会增加。膨胀也可以用来连接两个分开的物体。
dilation = cv2.dilate(img,kernel,iterations = 1)
开运算
- 先进性腐蚀再进行膨胀就叫做开运算。就像我们上面介绍的那样，它被用来去除噪声。
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
闭运算
- 先膨胀再腐蚀。它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)
形态学梯度
- 其实就是一幅图像膨胀与腐蚀的差别。
- 结果看上去就像前景物体的轮廓。
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
礼帽
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
黑帽
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
import cv2
import numpy as np
from matplotlib import pyplot as plt
fig = plt.figure(figsize=(16, 9))
img = cv2.imread('hei.jpg', -1)
ret, img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
kernel = np.ones((5, 5),dtype = np.uint8)
erosion = cv2.erode(img, kernel, iterations = 1)
dilation = cv2.dilate(img,kernel,iterations = 1)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
plt.subplot(241),plt.imshow(img),plt.title('Original', fontsize = 15)
plt.xticks([]), plt.yticks([])
plt.subplot(242),plt.imshow(erosion),plt.title('erosion', fontsize = 15)
plt.xticks([]), plt.yticks([])
plt.subplot(243),plt.imshow(dilation),plt.title('dilation', fontsize = 15)
plt.xticks([]), plt.yticks([])
plt.subplot(244),plt.imshow(opening),plt.title('opening', fontsize = 15)
plt.xticks([]), plt.yticks([])
plt.subplot(245),plt.imshow(closing),plt.title('closing', fontsize = 15)
plt.xticks([]), plt.yticks([])
plt.subplot(246),plt.imshow(gradient),plt.title('gradient', fontsize = 15)
plt.xticks([]), plt.yticks([])
plt.subplot(247),plt.imshow(tophat),plt.title('tophat', fontsize = 15)
plt.xticks([]), plt.yticks([])
plt.subplot(248),plt.imshow(blackhat),plt.title('blackhat', fontsize = 15)
plt.xticks([]), plt.yticks([])
plt.show()
