OpenCV自学笔记十一：形态学操作（一）

目录

1、腐蚀

2、膨胀

3、通用形态学函数

4、开运算

5、闭运算

---

1、腐蚀

腐蚀（Erosion）是数字图像处理中的一种形态学操作，用于消除图像中边界附近的细小区域或缩小对象的大小。腐蚀操作通过卷积输入图像与结构元素（也称为腐蚀核）来实现。

腐蚀操作可以用来消除图像中的细小噪声、填充物体内部的孔洞以及缩小物体的大小。它基于局部区域的最小值，并使区域中的亮度值逐渐减小。

以下是一个使用OpenCV库实现腐蚀操作的简单示例代码：

import cv2

import numpy as np

def erode(image, kernel):

# 应用腐蚀操作

eroded = cv2.erode(image, kernel, iterations=1)

return eroded

# 读取图像

image = cv2.imread('input.jpg', 0)

# 定义腐蚀核（结构元素）

kernel = np.ones((3, 3), dtype=np.uint8)

# 进行腐蚀操作

eroded_image = erode(image, kernel)

# 显示原始图像和腐蚀后的图像

cv2.imshow('Original Image', image)

cv2.imshow('Eroded Image', eroded_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

在上述示例中，我们使用了OpenCV的`erode()`函数来实现腐蚀操作。`erode()`函数接受三个参数，第一个参数是输入图像，第二个参数是腐蚀核（结构元素），第三个参数是迭代次数（默认为1）。最后，通过`imshow()`函数显示原始图像和腐蚀后的图像。

2、膨胀

膨胀（Dilation）是数字图像处理中的一种形态学操作，用于扩展图像中的区域或增加对象的大小。膨胀操作通过卷积输入图像与结构元素（也称为膨胀核）来实现。

膨胀操作可以用于填充物体之间的空隙、连接相邻的对象以及增大物体的大小。它基于局部区域的最大值，并使区域中的亮度值逐渐增大。

以下是一个使用OpenCV库实现膨胀操作的简单示例代码：

import cv2

import numpy as np

def dilate(image, kernel):

# 应用膨胀操作

dilated = cv2.dilate(image, kernel, iterations=1)

return dilated

# 读取图像

image = cv2.imread('input.jpg', 0)

# 定义膨胀核（结构元素）

kernel = np.ones((3, 3), dtype=np.uint8)

# 进行膨胀操作

dilated_image = dilate(image, kernel)

# 显示原始图像和膨胀后的图像

cv2.imshow('Original Image', image)

cv2.imshow('Dilated Image', dilated_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

在上述示例中，我们使用了OpenCV的`dilate()`函数来实现膨胀操作。`dilate()`函数接受三个参数，第一个参数是输入图像，第二个参数是膨胀核（结构元素），第三个参数是迭代次数（默认为1）。最后，通过`imshow()`函数显示原始图像和膨胀后的图像。

3、通用形态学函数

通用形态学函数（General Morphological Function）是一种在形态学图像处理中常用的操作，可以实现腐蚀、膨胀、开运算、闭运算等多种形态学操作。

通用形态学函数结合了腐蚀和膨胀操作，并通过指定结构元素的形状和大小以及操作的类型来完成不同的形态学处理。它可以用于消除噪声、填充孔洞、连接对象、提取特征等应用。

在OpenCV中，可以使用`morphologyEx()`函数来实现通用形态学函数，其函数原型如下：

dst = cv2.morphologyEx(src, op, kernel[, anchor[, iterations[, borderType[, borderValue]]]])

参数说明：
- `src`：输入图像。
- `op`：操作类型，可选值包括`cv2.MORPH_ERODE`（腐蚀）、`cv2.MORPH_DILATE`（膨胀）、`cv2.MORPH_OPEN`（开运算）、`cv2.MORPH_CLOSE`（闭运算）等。
- `kernel`：结构元素（也称为核或腐蚀/膨胀核），用于定义操作的形状和大小。
- `anchor`：锚点位置，默认为`(-1, -1)`表示结构元素的中心。
- `iterations`：操作的迭代次数，默认为1。
- `borderType`：边界扩展类型，默认为`cv2.BORDER_CONSTANT`。
- `borderValue`：边界值，默认为0。以下是一个简单的示例代码，演示了如何使用通用形态学函数进行图像处理操作：

import cv2
import numpy as np

# 读取图像
image = cv2.imread('input.jpg', 0)

# 定义核（结构元素）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 腐蚀操作
eroded_image = cv2.morphologyEx(image, cv2.MORPH_ERODE, kernel)

# 膨胀操作
dilated_image = cv2.morphologyEx(image, cv2.MORPH_DILATE, kernel)

# 开运算操作
opened_image = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)

# 闭运算操作
closed_image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)

# 显示原始图像和处理后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Eroded Image', eroded_image)
cv2.imshow('Dilated Image', dilated_image)
cv2.imshow('Opened Image', opened_image)
cv2.imshow('Closed Image', closed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述示例中，我们首先定义了一个核（结构元素）`kernel`，然后使用`morphologyEx()`函数分别进行腐蚀、膨胀、开运算和闭运算等操作，并通过`imshow()`函数显示原始图像和处理后的图像。

请注意，通用形态学函数还可以使用更复杂的结构元素（如椭圆形、十字形等）进行形态学操作，并使用适当的参数来控制操作的效果。

4、开运算

开运算（Opening）是形态学图像处理中的一种操作，由腐蚀（Erosion）后接着膨胀（Dilation）两步组成。它可以用于消除图像中小的噪声、平滑边缘、分离相邻物体等。

开运算的操作过程如下：

1. 对输入图像进行腐蚀操作。

2. 对上一步得到的结果进行膨胀操作。

开运算能够将较小的图案或细节从物体边缘剥离出来，同时保持物体整体形状不变。这是因为腐蚀操作会消除较小的细节，而膨胀操作又将物体重新扩展回原来的大小。

以下是一个使用OpenCV库实现开运算的简单示例代码：

import cv2

import numpy as np

def opening(image, kernel):

# 应用开运算操作

opened = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)

return opened

# 读取图像

image = cv2.imread('input.jpg', 0)

# 定义腐蚀和膨胀核（结构元素）

kernel = np.ones((3, 3), dtype=np.uint8)

# 进行开运算操作

opened_image = opening(image, kernel)

# 显示原始图像和开运算后的图像

cv2.imshow('Original Image', image)

cv2.imshow('Opened Image', opened_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

在上述示例中，我们首先定义了一个核（结构元素）`kernel`，然后使用`morphologyEx()`函数进行开运算操作，并通过`imshow()`函数显示原始图像和开运算后的图像。

开运算对于去除噪声、平滑边缘以及分离相邻物体等应用非常有效。它可以改善图像质量，减少干扰信息，并提升后续图像处理任务的效果。

5、闭运算

闭运算是数字图像处理中的一种形态学操作，也被称为闭合操作。它由两个基本操作组成：膨胀（dilation）和腐蚀（erosion）。

闭运算首先对图像进行腐蚀操作，然后再对腐蚀结果进行膨胀操作。这两个操作可以通过结构元素（也称为模板或内核）来定义。结构元素是一个小的矩形、圆形或其他形状的矩阵，用于定义腐蚀和膨胀操作的邻域范围。

闭运算的目的是消除图像中的细小空洞并连接相邻的物体。它可以平滑边界并保持物体的整体形状。闭运算通常用于去除噪音、填补断裂或空洞以及改善物体的形状。

在执行闭运算时，先进行腐蚀操作，使图像中的边缘和细小特征变得更小或消失。然后再进行膨胀操作，使原始物体恢复到接近原始大小，并填充空洞。这样就实现了闭运算。

闭运算常用于图像分割、形状分析、目标检测等领域，并且在计算机视觉和图像处理中具有广泛的应用。

闭运算的代码可以使用图像处理库（如OpenCV）来实现。下面是一个使用Python和OpenCV库执行闭运算的示例代码：

import cv2

import numpy as np

# 读取图像

image = cv2.imread('image.jpg', 0) # 以灰度图像方式读取，若为彩色图像则改为cv2.IMREAD_COLOR

# 定义结构元素

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 5x5的矩形结构元素

# 执行闭运算

closing = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)

# 显示结果

cv2.imshow('Original Image', image)

cv2.imshow('Closing Result', closing)

cv2.waitKey(0)

cv2.destroyAllWindows()

在上述代码中，首先通过`cv2.imread()`函数读取输入图像，并将其转换为灰度图像。然后使用`cv2.getStructuringElement()`函数定义了一个5x5的矩形结构元素。接下来，使用`cv2.morphologyEx()`函数执行闭运算，其中第二个参数`cv2.MORPH_CLOSE`表示进行闭运算操作。

最后，使用`cv2.imshow()`函数显示原始图像和闭运算结果，使用`cv2.waitKey()`等待用户按下键盘按键，最后使用`cv2.destroyAllWindows()`关闭窗口。

请注意，以上示例仅为演示闭运算的代码框架，你需要根据你的实际需求进行相应的修改和调整。同时，确保你已经安装了OpenCV库，并将输入图像替换为你自己的图像路径。