OpenCV二值图像分析之形态学应用技巧
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
本文转自：AI算法与图像处理
二值图像分析一块核心技能就是图像形态学操作技巧，这里也打算根据我自己的项目经验，给大家吐槽总结一下，希望大家多提宝贵意见，不足之处多多补充！
形态学操作与相关函数
OpenCV中支持的图像形态学操作主要有膨胀、腐蚀、开操作、闭操作、顶帽操作、黑帽操作、形态学梯度操作，涉及的相关API函数主要有如下几个：
腐蚀操作函数：
void cv::erode(
InputArray src,
OutputArray dst,
InputArray kernel,
Point anchor = Point(-1,-1),
int iterations = 1,
int borderType = BORDER_CONSTANT,
const Scalar & borderValue = morphologyDefaultBorderValue()
)膨胀操作函数：
1void cv::dilate(
2 InputArray src,
3 OutputArray dst,
4 InputArray kernel,
5 Point anchor = Point(-1,-1),
6 int iterations = 1,
7 int borderType = BORDER_CONSTANT,
8 const Scalar & borderValue = morphologyDefaultBorderValue()
9)腐蚀跟膨胀两个函数的高度相似，唯一不同的函数运行输出结果不一样。参数解释如下：
src 输入图像、灰度或者彩色均可
dst 输出图像、跟输入图像格式与类型相同
kernel 结构元素、决定输出图像样式
anchor 锚定位置、是针对结构元素来说的
iterations 循环次数、意思是连续多次操作(腐蚀/膨胀)
borderType 边缘处理、边缘处理的方式，这个以前也详细的讲过，这里不废话了
borderValue 只有在选择DEFAULT_BORDER的时候才会用。
获取结构元素：
1Mat cv::getStructuringElement(
2 int shape,
3 Size ksize,
4 Point anchor = Point(-1,-1)
5)参数解释：
shape：是指结构元素的形状，常见的有矩形、圆形、十字交叉、线
ksize：是指结构元素的大小
anchor：是指结构元素锚定的位置、Point(-1,-1)表示默认锚定位置为结构元素中心
形态学操作函数：
1void cv::morphologyEx(
2 InputArray src,
3 OutputArray dst,
4 int op,
5 InputArray kernel,
6 Point anchor = Point(-1,-1),
7 int iterations = 1,
8 int borderType = BORDER_CONSTANT,
9 const Scalar & borderValue = morphologyDefaultBorderValue()
10)该函数通过其中操作(op)参数来实现OpenCV支持全部形态学操作、当然包括腐蚀与膨胀、所以可以忘记腐蚀跟膨胀单独的函数表达了。该函数与腐蚀/膨胀函数相比，多出唯一参数是op操作，当前支持的操作包括如下：
1MORPH_ERODE 腐蚀
2MORPH_DILATE 膨胀
3MORPH_OPEN 开操作
4MORPH_CLOSE 闭操作
5MORPH_GRADIENT 形态学梯度
6MORPH_TOPHAT 顶帽操作
7MORPH_BLACKHAT 黑帽操作
8MORPH_HITMISS 击中击不中形态学应用场景
这里结合每个形态学操作，给出了每个操作的应用场景与效果演示。简单的腐蚀与膨胀操作，实现区域分离与合并
原图(图-1)：
使用15x15的圆形结构元素膨胀之后：（图-2）
使用相同的结构元素，对图-1进行腐蚀之后：(图-3)
可见使用15x15圆形结构元素腐蚀之后，图中所有的对象已经被擦除了。
原图(图-4)：
开操作
开操作可以去除小的干扰块，开操作结构元素：7x7矩形，开操作之后（图-5）
可见已经删除一些小的干扰块跟白色像素点了。
闭操作
闭操作可以填充空洞区域，比如图-4中白色矩形内部黑色部分小矩形，通过闭操作可以完成填充，使用11x11的矩形结构元素，操作之后(图-6)：
可见图中黑色矩形区域已经填充完成。
有时候我只对这些很小区域感兴趣，特别是在工业检测中，很多都是微小的瑕疵或者斑点，常规方法很能提取到，这个时候我们通过下面两个形态学操作可以实现对这些小干扰块/瑕疵区域的提取，原图如下（图-7）：
这个图是来自知识星球一位会员的提问，他想提取那个小白色斑点，并测量它的大小与面积，采用顶帽操作即可获取，顶帽操作的定义为原图 减去 开操作结果，只要给一个合适的结构元素，即可提取到斑点区域， 顶帽操作之后，会有一些边缘线，通过开操作删去，最终得到的结果如下：(图-8)
很完美的得到图像白色斑点区域了。
除了顶帽操作，另外还有一个黑帽操作，它的定义为闭操作的结果减去原图，对图-4实现黑帽操作就可以得到白色矩形中黑色小矩形块，结果如下：（图-9）
所以顶帽跟黑帽是非常有用的两个操作，特别是在二值图像分析中需要提取一些比较小Blob对象场景中。
形态学梯度
使用形态学梯度可以完整的提取一些对象边缘跟轮廓，在一些应用场景中非常适用。举例，原图如下：（图-10）
基于形态学梯度提取内外轮廓，得到的边缘图像如下：（图-11）
代码都很简单，基本都是API函数直接调用，这里就不贴出来献丑了，主要是告诉大家如何利用OpenCV提供函数灵活运用，每个函数都有着自己合适的应用场景，形态学的各种不同结构元素跟操作有时候会给你带来非常好的图像处理效果，直接可以服务后续的对象检测与测量、识别等环节。实现上述形态学处理的关键代码就三行，如下：
1Mat src = imread("D:/images/morph.png");
2se = getStructuringElement(MORPH_RECT, Size(7, 7), Point(-1, -1));
3morphologyEx(src, dst, MORPH_OPEN, se);主要靠这三行，解释一下！先要二值化、然后找到合适的结构元素，然后执行对应的形态学操作，代码中是开操作！请千万别注意一下！
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
