前置

形態(tài)學(xué)主要是從圖像中提取分量信息，該分量信息通常是圖像理解時(shí)所使用的最本質(zhì)的形狀特征,對(duì)于表達(dá)和描繪圖像的形狀有重要意義。

大體就是通過(guò)一系列操作讓圖像信息中的關(guān)鍵信息更加凸出。同時(shí)，形態(tài)學(xué)的操作都是基于灰度圖進(jìn)行。

相關(guān)操作最主要的2種操作為腐蝕/膨脹，后面又延伸了綜合操作-開運(yùn)算/閉運(yùn)算/形態(tài)學(xué)梯度/禮帽/黑帽等等。

腐蝕

腐蝕是最基本的形態(tài)學(xué)操作之一，能夠去除圖像的邊界點(diǎn),使圖像沿著邊界向內(nèi)收縮，對(duì)于小于指定結(jié)構(gòu)元的部分會(huì)去除。

所以，通過(guò)腐蝕可以達(dá)到去除一些外部噪音、元素分割等功能。

腐蝕原理說(shuō)明 :

結(jié)構(gòu)元 : 就是擁有一個(gè)中心位置并且有一定范圍的結(jié)構(gòu)，說(shuō)白了就是一個(gè)二維數(shù)組。

掃描圖像中的每一個(gè)像素點(diǎn),結(jié)構(gòu)元和掃描點(diǎn)重合，用結(jié)構(gòu)元元素與覆蓋的二值圖做"與"運(yùn)算，都為1則圖像的像素值不變,否則改為0。

圖示如下:

a圖為原圖，b圖為結(jié)構(gòu)元，當(dāng)掃描到第2行，由于第一行存在2/3/4列的數(shù)據(jù)為0，所以經(jīng)過(guò)腐蝕后，第2行的2/3/4列的1都變成了0，同理第4行。

掃描到第三行的2/3/4列時(shí)，由于都是1，第3行的2/3/4列分別不變，最終結(jié)果如d圖所示。

函數(shù)語(yǔ)法說(shuō)明: dst = cv2.erode( src，kernel，anchor，iterations，borderType，borderValue)

• kernel : 腐蝕時(shí)使用的結(jié)構(gòu)體，可以自己生成，也可以通過(guò)cv2.getStructuringElement()生成，就是個(gè)二維數(shù)組空間
• anchor : 錨點(diǎn)位置,默認(rèn)為(-1,-1)，在核的中心位置
• iterations : 腐蝕操作迭代次數(shù),默認(rèn)為1，只進(jìn)行1次腐蝕操作
• borderType : 邊界處理方式，一般采用默認(rèn)BORDER_CONSTANT
• borderValue : 邊界填充值，一般采用默認(rèn)值

所以經(jīng)常簡(jiǎn)化為 dst = cv2.erode( src ，kernel )

程序?qū)嵗缦?

import cv2 as cv
import numpy as nporigin = cv.imread("erode.bmp")
# 使用了一個(gè)3*3的結(jié)構(gòu)元,結(jié)構(gòu)元面積越大,腐蝕的越厲害,結(jié)果圖就越小
kernel_3 = np.ones((3, 3), np.uint8)# 不大明顯,但有些觸角已經(jīng)變短了
erode_3 = cv.erode(origin, kernel_3)
# 反復(fù)刷了三次,圖像進(jìn)一步腐蝕減小，邊角已經(jīng)腐蝕掉了
erode_3_3 = cv.erode(origin, kernel_3, iterations=3)cv.imshow("origin", origin)
cv.imshow("erode_3", erode_3)
cv.imshow("erode_3_3", erode_3_3)cv.waitKey()
cv.destroyAllWindows()

運(yùn)行結(jié)果如下:

?膨脹

膨脹操作同樣是形態(tài)學(xué)的一種基本操作，膨脹和腐蝕的作用是相反的,膨脹操作能對(duì)邊界進(jìn)行擴(kuò)張。膨脹操作可以將較近的2個(gè)對(duì)象連通在一起，也有利于填補(bǔ)

圖片分割后圖像內(nèi)的空白處。

膨脹原理說(shuō)明:

使用結(jié)構(gòu)元掃描圖像中的每一個(gè)像素點(diǎn)，結(jié)構(gòu)元和掃描點(diǎn)重合，用結(jié)構(gòu)元元素與覆蓋的二值圖做"與"運(yùn)算，都為0則圖像的像素值為0，否則改為1，這樣圖片邊緣位置就會(huì)緊跟結(jié)構(gòu)元進(jìn)行擴(kuò)張。

函數(shù)語(yǔ)法說(shuō)明: dst = cv2.dilate( src ，kernel，anchor，iterations，borderType，borderValue)

函數(shù)參數(shù)與腐蝕參數(shù)完全一致，不做過(guò)多解釋。方法可以簡(jiǎn)化為 dst = cv2.dilate( src，kernel )

程序?qū)嵗缦?

import cv2 as cv
import numpy as nporigin = cv.imread("dilation.png")
# 使用了一個(gè)3*3的結(jié)構(gòu)元,結(jié)構(gòu)元面積越大,膨脹的越厲害,結(jié)果圖就越大
kernel = np.ones((3, 3), np.uint8)
erode_3 = cv.dilate(origin, kernel)
# 連續(xù)膨脹3次
erode_3_3 = cv.dilate(origin, kernel, iterations=9)
cv.imshow("origin", origin)
cv.imshow("dilation_3", erode_3)
cv.imshow("dilation_3_3", erode_3_3)cv.waitKey()
cv.destroyAllWindows()

運(yùn)行如下:

?

開運(yùn)算

開運(yùn)算是先進(jìn)行腐蝕操作，后再進(jìn)行膨脹操作。進(jìn)行腐蝕操作可以把圖像中目標(biāo)外的噪聲去掉，膨脹后再恢復(fù)目標(biāo)的大小。

函數(shù)語(yǔ)法說(shuō)明: dst = cv2.morphologyEx( src，cv2.MORPH_OPEN，kernel)

src，dst分別是原始圖像和處理后的結(jié)果圖像

cv2.MORPH_OPEN : 做開運(yùn)算的標(biāo)識(shí)

kernel : 運(yùn)算使用的結(jié)構(gòu)元

程序如下:

import cv2 as cv
import numpy as nporigin = cv.imread("open_pic.png", 0)
kernel = np.ones((5, 5), np.uint8)
open_pic = cv.morphologyEx(origin, cv.MORPH_OPEN, kernel) # 開運(yùn)算
cv.imshow("origin", origin)
cv.imshow("open", open_pic)cv.waitKey()
cv.destroyAllWindows()

運(yùn)行如下:

?

閉運(yùn)算

閉運(yùn)算是先進(jìn)行膨脹操作，后再進(jìn)行腐蝕操作。主要針對(duì)情景為圖像中關(guān)鍵信息內(nèi)部有小洞，膨脹操作會(huì)填充小洞。

函數(shù)語(yǔ)法說(shuō)明: dst = cv2.morphologyEx( src，cv2.MORPH_CLOSE，kernel)

閉運(yùn)算和開運(yùn)算使用一樣的函數(shù)，僅通過(guò)標(biāo)識(shí)不同來(lái)實(shí)現(xiàn)不同操作。

cv2.MORPH_OPEN : 做閉運(yùn)算的標(biāo)識(shí)

程序如下:

import cv2 as cv
import numpy as nporigin = cv.imread("close_pic.png", 0)
kernel = np.ones((5, 5), np.uint8)
open_pic = cv.morphologyEx(origin, cv.MORPH_CLOSE, kernel) # 閉運(yùn)算
cv.imshow("origin", origin)
cv.imshow("open", open_pic)cv.waitKey()
cv.destroyAllWindows()

運(yùn)行結(jié)果如下：

?

形態(tài)學(xué)梯度

其實(shí)就是一副圖像膨脹和腐蝕的差別,看起來(lái)就是前景物體的輪廓。

函數(shù)語(yǔ)法說(shuō)明:dst = cv2.morphologyEx( src，cv2.MORPH_GRADIENT，kernel)

函數(shù)同開閉運(yùn)算一樣，只有樣式不一樣。

cv2.MORPH_GRADIENT : 形態(tài)學(xué)梯度的關(guān)鍵字

程序如下:

import cv2 as cv
import numpy as nporigin = cv.imread("abcdefg.png")
kernel = np.ones((5, 5), np.uint8)
open_pic = cv.morphologyEx(origin, cv.MORPH_GRADIENT, kernel)  # 形態(tài)學(xué)梯度
cv.imshow("origin", origin)
cv.imshow("gradient", open_pic)cv.waitKey()
cv.destroyAllWindows()

效果圖如下:

?

禮帽

開運(yùn)算是先腐蝕再膨脹,會(huì)消除圖像中的噪聲，而禮帽是原始圖片與進(jìn)行開運(yùn)算后的得到的圖像的差，也就是消除掉的噪聲。

函數(shù)語(yǔ)法說(shuō)明: dst = cv2.morphologyEx( src，cv2.MORPH_TOPHAT，kernel)

import cv2 as cv
import numpy as nporigin = cv.imread("open_pic.png")
kernel = np.ones((5, 5), np.uint8)
open_pic = cv.morphologyEx(origin, cv.MORPH_TOPHAT, kernel)  # 禮帽
cv.imshow("origin", origin)
cv.imshow("tophat", open_pic)cv.waitKey()
cv.destroyAllWindows()

運(yùn)行如下:

?

黑帽

閉運(yùn)算是先膨脹再腐蝕，具有填充內(nèi)部小洞的功能，而黑帽是進(jìn)行閉運(yùn)算得到的圖片與原始圖像的差，所以顯示的是之前補(bǔ)上的小洞圖片。

函數(shù)語(yǔ)法說(shuō)明: dst = cv2.morphologyEx( src，cv2.MORPH_BLACKHAT，kernel)

程序如下:

import cv2 as cv
import numpy as nporigin = cv.imread("close_pic.png")
kernel = np.ones((5, 5), np.uint8)
open_pic = cv.morphologyEx(origin, cv.MORPH_BLACKHAT, kernel)  # 黑帽
cv.imshow("origin", origin)
cv.imshow("blackhat", open_pic)cv.waitKey()
cv.destroyAllWindows()

運(yùn)行如下:

?

?