【学习OpenCV4】OpenCV形态学运算总结

本文分享内容来自图书《学习OpenCV 4：基于Python的算法实战》，该书内容如下：

第1章 OpenCV快速入门；
第2章 图像读写模块imgcodecs；
第3章 核心库模块core；
第4章 图像处理模块imgproc（一）；
第5章 图像处理模块imgproc（二）；
第6章 可视化模块highgui；
第7章 视频处理模块videoio；
第8章 视频分析模块video；
第9章 照片处理模块photo；
第10章 2D特征模块features2d；
第11章 相机标定与三维重建模块calib3d；
第12章 传统目标检测模块objdetect；
第13章 机器学习模块ml；
第14章 深度神经网络模块dnn

欢迎关注图书《深度学习计算机视觉实战》与《学习OpenCV4：基于Python的算法实战》，欢迎加入QQ群：187042448

---

案例36：腐蚀

腐蚀运算计算核覆盖范围内的局部最小值，OpenCV中提供的腐蚀运算的函数erode，该函数的定义如下：

dst = erode(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

参数说明如下：
src，输入图像；
kernel，用于腐蚀运算的核结构；
dst，输出图像（返回值）；
anchor，瞄点位置，默认是kernel对应区域的中心位置；
iterations，应用腐蚀操作迭代的次数；
borderType，边界模式，由BorderTypes定义（见3.4.5节）；
borderValue，当边界模式为BORDER_CONSTANT时的边界像素值。
本案例使用的输入图像如图4.9所示。

图4.9
腐蚀运算的案例代码如下所示：

import cv2

#读取图像
src = cv2.imread("cvbook.jpg")
#定义3×3的腐蚀运算矩形核结构
element = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 腐蚀运算
erode_img = cv2.erode(src, element)
#图像显示
cv2.imshow("erode_img", erode_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

为了使效果更加明显，选用了3×3的腐蚀运算核结构，腐蚀运算的结果如图4.10所示。

图4.10
腐蚀运算选取核结构中的最小像素值作为瞄点处的像素值，因此对于图4.9中的文字，经过腐蚀运算会让黑色文字区域变大，因此文字会变粗。

案例37：膨胀

与腐蚀相反，膨胀运算计算的是核覆盖范围内的局部最大值，OpenCV中提供的膨胀运算的函数dilate，该函数的定义如下：

dst = dilate(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

参数说明如下：
src，输入图像；
kernel，用于膨胀运算的核结构；
dst，输出图像（返回值）；
anchor，瞄点位置，默认是kernel对应区域的中心位置；
iterations，应用膨胀操作迭代的次数；
borderType，边界模式，由BorderTypes定义（见3.4.5节）；
borderValue，当边界模式为BORDER_CONSTANT时的边界像素值。
本案例使用的输入图像如图4.9所示，膨胀运算的案例代码如下所示：

import cv2

#读取图像
src = cv2.imread("logo.jpg")
#定义3×3的膨胀运算矩形结构
element = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 膨胀运算
dilate_img = cv2.dilate(src, element)
#图像显示
cv2.imshow("dilate_img", dilate_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

膨胀运算的结果如图4.11所示。

图4.11
膨胀运算选取核结构中的最大像素值作为瞄点处的像素值，因此对于图4.9中的文字，经过膨胀运算黑色的文字区域变小，因此文字会变细，下面的较小的文字则几乎被磨灭。
对比两种运算可以发现，膨胀运算会使明亮区域扩张，腐蚀运算会使阴暗区域扩张，因此膨胀可以用于填充凹面，腐蚀可以用于消除突起。

案例38：其他形态学运算

OpenCV中提供了形态学运算的函数morphologyEx，函数定义如下：

dst = morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

参数说明如下：
src，输入图像；
op，形态学运算类型，由MorphTypes定义（见4.1节）；
kernel，用于形态学运算的核结构；
dst，输出图像（返回值）；
anchor，瞄点位置，默认是kernel对应区域的中心位置；
iterations，应用形态学操作迭代的次数；
borderType，边界模式，由BorderTypes定义（见3.4.5节）；
borderValue，当边界模式为BORDER_CONSTANT时的边界像素值。
几种形态学运算的计算方法与用途如表4.1所示。
表4.1

本案例使用的输入图像为图4.9，腐蚀和膨胀操作在前面两节做了介绍，本节就不做赘述，其他的形态学运算的案例代码如下：

import cv2

#图像读取
src = cv2.imread("cvbook.jpg")
#获取形态学运算结构
element = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))

#开运算
open_img = cv2.morphologyEx(src, cv2.MORPH_OPEN, element)
#如图4.12
cv2.imshow("open_img", open_img)

#闭运算
close_img = cv2.morphologyEx(src, cv2.MORPH_CLOSE, element)
#如图4.13
cv2.imshow("close_img", close_img)

#形态学梯度运算
grad_img = cv2.morphologyEx(src, cv2.MORPH_GRADIENT, element)
#如图4.14
cv2.imshow("grad_img", grad_img)

#顶帽运算
tophat_img = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, element)
#如图4.15
cv2.imshow("tophat_img", tophat_img)

#底帽运算
blackhat_img = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, element)
#如图4.16
cv2.imshow("blackhat_img", blackhat_img)	

cv2.waitKey(0)
cv2.destroyAllWindows()

执行后的结果如图4.12~4.16所示.
开运算的计算方法为先腐蚀后膨胀，执行结果如图4.12所示。

图4.12
闭运算的计算方法为先膨胀后腐蚀，执行结果如图4.13所示。

图4.13
形态学梯度运算的计算方法为膨胀结果减去腐蚀结果，执行结果如图4.14所示。

图4.14
顶帽运算的计算方法为原始图像减去开运算的结果，执行结果如图4.15所示。

图4.15
底帽运算的计算方法为闭运算减去原始图像的结果，执行结果如图4.16所示。

图4.16