(_cai_) opencv学习笔记(1):图像形态学计算的方式 morphology函数的应用
1.腐蚀
概述：腐蚀掉图像的细节。若图像有很多毛刺，通过腐蚀操作，可以将毛刺消除。
下面所说的“值”可以简单理解为RGB三个通道[0,255]，值越小，亮度越低，值越大，亮度越高。
我们首先定义了一个3*3的矩阵作为核，我们不关心矩阵的值，只关心他的大小。在图像中用核选中3*3的像素块，若像素块中的值相差很大（我们可以将其想象成边界），值大的像素点会被值小的像素点给取代。这种计算操作对于图像的边缘是极为敏感的。
函数：erode(cv::InputArray src, cv::OutputArray dst, cv::InputArray kernel)
参数：在腐蚀操作中，我们主要关注以下三个参数。另一些关于边界填充的参数这里不做介绍。
| 1.cv::InputArray src | 输入图像 |
| 2.OutputArray dst | 输出图像 |
| 3.InputArray kernel | 核：n*n的矩阵。n越大，腐蚀的越厉害 |
代码：
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat image_1 = imread("lena.jpg");
Mat res;
//定义一个3*3大小的方形核
Mat element = getStructuringElement(MORPH_RECT, Size(3, 3));
erode(image_1,res,element);
imshow("lena", image_1);
imshow("res",res);
waitKey(0);
return 0;
} 输出结果：可以注意到很多毛刺都变得更加细，或者被消除。
2.膨胀
概述：与腐蚀相反，膨胀后的图片会将放大图像的细节。
其实原理和腐蚀原理一样。所说的“值”可以简单理解为RGB三个通道[0,255]，值越小，亮度越低，值越大，亮度越高。
我们首先定义了一个3*3的矩阵作为核，我们不关心矩阵的值，只关心他的大小。在图像中用核选中3*3的像素块，若像素块中的值相差很大（我们可以将其想象成边界），值小的像素点会被值大的像素点给取代。也就是亮度高的像素点会被放大取代亮度低的背景像素点。
函数：dilate(cv::InputArray src, cv::OutputArray dst, cv::InputArray kernel)
参数：在膨胀操作中，我们也只关注以下三个参数。
| 1.cv::InputArray src | 输入图像 |
| 2.OutputArray dst | 输出图像 |
| 3.InputArray kernel | 核：n*n的矩阵。n越大，腐蚀的越厉害 |
代码：
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat image_1 = imread("lena.jpg");
Mat res;
//定义一个3*3大小的方形核
Mat element = getStructuringElement(MORPH_RECT, Size(3, 3));
dilate(image_1,res,element);
imshow("lena", image_1);
imshow("res",res);
waitKey(0);
return 0;
} 输出结果：第一眼看，图像变得更加模糊。但是仔细观察会发现，一些噪声点（白点），发丝等细节被放大。
3.开运算
概述：先对图像进行腐蚀，再对图像进行膨胀。
函数：形态学计算（开运算、闭运算、梯度运算、礼帽、黑帽）等操作均使用该函数。
cv::morphologyEx(cv::InputArray src, cv::OutputArray dst, int op, cv::InputArray kernel,)
参数：我们关注以下四个参数。
| 1.cv::InputArray src | 输入图像 |
| 2.OutputArray dst | 输出图像 |
| 3.int op | 形态操作类型(MORPH_OPEN ) |
| 4.InputArray kernel | 核：n*n的矩阵。n越大，腐蚀的越厉害 |
代码：
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat image_1 = imread("lena.jpg");
Mat res;
//定义一个3*3大小的方形核
Mat element = getStructuringElement(MORPH_RECT, Size(3, 3));
morphologyEx(image_1,res,MORPH_OPEN,element);
imshow("lena", image_1);
imshow("res",res);
waitKey(0);
return 0;
} 输出结果：
4.闭运算
概述：先对图像进行膨胀，再对图像进行腐蚀。
函数：形态学计算（开运算、闭运算、梯度运算、礼帽、黑帽）等操作均使用该函数。
cv::morphologyEx(cv::InputArray src, cv::OutputArray dst, int op, cv::InputArray kernel,)
参数：我们关注以下四个参数。
| 1.cv::InputArray src | 输入图像 |
| 2.OutputArray dst | 输出图像 |
| 3.int op | 形态操作类型(MORPH_CLOSE) |
| 4.InputArray kernel | 核：n*n的矩阵。n越大，腐蚀的越厉害 |
代码：
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat image_1 = imread("lena.jpg");
Mat res;
//定义一个3*3大小的方形核
Mat element = getStructuringElement(MORPH_RECT, Size(3, 3));
morphologyEx(image_1,res,MORPH_CLOSE,element);
imshow("lena", image_1);
imshow("res",res);
waitKey(0);
return 0;
} 输出结果：
5.梯度运算
概述：通过对腐蚀和膨胀的理解，我们可以认识到由于边界上色彩的差异很大，所以导致腐蚀和膨胀在边界区域的影响很大。简单化理解就是腐蚀是腐蚀边界上的细节，膨胀也是放大边界的细节，两者相减，就可以算出图像的边界信息。
代码：
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat image_1 = imread("lena.jpg");
Mat res;
//定义一个3*3大小的方形核
Mat element = getStructuringElement(MORPH_RECT, Size(3, 3));
morphologyEx(image_1,res,MORPH_GRADIENT,element);
imshow("lena", image_1);
imshow("res",res);
waitKey(0);
return 0;
} 输出结果：
6.礼帽与黑帽
概述：礼帽运算=原始图像-开运算生成的图像
代码：
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat image_1 = imread("lena.jpg");
Mat res;
//定义一个3*3大小的方形核
Mat element = getStructuringElement(MORPH_RECT, Size(3, 3));
morphologyEx(image_1,res,MORPH_TOPHAT,element);
imshow("lena", image_1);
imshow("res",res);
waitKey(0);
return 0;
} 输出结果：
概述：礼帽运算=闭运算生成的图像-原始图像
代码：
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat image_1 = imread("lena.jpg");
Mat res;
//定义一个3*3大小的方形核
Mat element = getStructuringElement(MORPH_RECT, Size(3, 3));
morphologyEx(image_1,res,MORPH_BLACKHAT,element);
imshow("lena", image_1);
imshow("res",res);
waitKey(0);
return 0;
} 输出结果：
