【OpenCV学习】（八）图像形态学
【OpenCV学习】（八）图像形态学
背景
形态学处理方法是基于对二进制图像进行处理的，卷积核决定图像处理后的效果；形态学的处理哦本质上相当于对图像做前处理，提取出有用的特征，以便后续的目标识别等任务；
一、图像二值化
定义：将图像的每个像素变成两种值，如0和255；
全局二值化的函数原型：
threshold（img，thresh，maxVal，type）
-
img：最好是灰度图像
-
thresh：阈值
-
maxVal：超过阈值，替换为maxVal
-
type：有几种类型，THRESH_BINARY为二值化的类型
案例代码：
img = cv2.imread('1.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, dst = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
关于type类型，可查看下图：
二、自适应阈值
解决的问题：由于光照不均匀以及阴影的存在，只有一个阈值会使得在阴影处的白色被二值化成黑色；
若采用全局二值化，在有阴影的图片中，阴影信息会丢失，如下图：
当阈值设置较高时，会出现部分阴影信息丢失，如果需要不断尝试找到合适阈值是一件耗时的事情，因此就有了自适应阈值的方法；
自适应阈值函数原型：
adaptiveThreshold（img，maxVal，adaptiveMethod,，type，blockSize, C）
- adaptiveMethod：计算阈值的方法；
- blockSize：邻近区域的大小；
- C：常量，应从计算出的平均值或加权平均值中减去，一般设置为0；
计算阈值主要有两种两种方法：
① ADAPTIVE_THRESH_MEAN_C：计算邻近区域的平均值；（根据blockSize大小做平均滤波）
② ADAPTIVE_THRESH_GAUSSIAN_C：高斯窗口加权平均值；（根据blockSize大小做高斯滤波）
代码案例：
img = cv2.imread('new.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dst = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 0)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
可以看出，虽然信息成功提取出来，但背景的噪点过多，后续会加以处理；
三、腐蚀
本质卷积核的值全为1，可通过下图简单理解其原理：
函数原型：
erode（img，kernel，iterations=1）
- iterations：执行的次数；
代码案例：
img = cv2.imread('./j.png')
kernel = np.ones((3, 3), np.uint8)
dst = cv2.erode(img, kernel, 1)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
上图为腐蚀后的结果，明显白色区域变小了，如果增大卷积核或增加腐蚀次数会使得腐蚀效果更明显；
四、卷积核获取
函数原型：
getStructuringElement（type，size）
-
size一般设置成（3，3）或（5，5）这样；
-
type类型：
MORPH_RECT：矩形形状的卷积核；
MORPH_ELLIPSE：椭圆形状卷积核；
MORPH_CROSS：十字架形状卷积核；
腐蚀中的全为1的卷积核可以通过这个函数构造：
kernrl = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
相比于用numpy构造更好；
五、膨胀
膨胀和腐蚀相反，其原理是卷积核中间不为0，则整个卷积核区域的值都为1，如下图：
函数原型：
dilate（img，kernel，iterations=1）
代码案例：
img = cv2.imread('./j.png')
kernel = np.ones((7, 7), np.uint8)
dst = cv2.dilate(img, kernel, 1)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
本次采用7x7的卷积核，所以效果会比较明显一些；
六、开运算
本质：先腐蚀，后膨胀；
函数原型：
morphologyEx（img，cv2.MORPH_OPEN，kernel）
代码案例：
img = cv2.imread('./dotj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))
dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
从图中可看出，开运算很好的解决了小的噪点，也就是背景噪点去除；
七、闭运算
本质：先膨胀，后腐蚀；
函数原型等同于开运算，其中的类型进行修改即可；
代码案例：
img = cv2.imread('./dotinj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))
dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
中间还是有一些噪点没有完全消除，可以调整卷积核大小，将卷积核调大，可以得到更好的效果；
八、形态学梯度
本质：梯度 = 原图 - 腐蚀
函数还是morphologyEx，其中类型为MORPH_GRADIENT；
代码案例：
img = cv2.imread('./j.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
可以看出来腐蚀的部分，也相当于提取了边缘；
九、顶帽运算
本质：顶帽 = 原图 - 开运算
函数还是morphologyEx，其中类型为MORPH_TOPHAT；
代码案例：
img = cv2.imread('./tophat.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (19, 19))
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
十、黑帽运算
本质：黑帽 = 原图 - 闭运算
函数还是morphologyEx，其中类型为MORPH_BLACKHAT；
代码案例：
img = cv2.imread('./dotinj.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('org', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
总结
开运算：先腐蚀再膨胀，去除大图形外的小图形；
闭运算：先膨胀再腐蚀，去除大图形内的小图形；
梯度：求图形的边缘；
顶帽：原图减开运算，得到大图形外的小图形；
黑帽：原图减闭运算，得到大图形内的小图形；
所有应用的基础都是腐蚀和膨胀，这两者需要掌握清楚，后续也会使用形态学进行实际应用！