图像处理：形态学处理

常见的基础形态学操作有：

• scikit-image库的skimage.morphology内有很多图像形态学相关的api。形态学滤波介绍了skimage中基础的形态学滤波。
• opencv库相关的api不多，好像就7个操作：膨胀，腐蚀，开，闭，梯度，黑帽，白帽，相比skimage，好像少了骨骼提取。

skimage中含有针对0-1binary图像优化过的形态学操作，可以更快的实现。

骨骼提取（图象细化 / image thinning）

这是一种形态学处理，我在提取手写笔迹的骨骼的时候用到了，因为之间简单的开闭运算的话，容易破坏图像的结构连通性。而骨骼提取则会在保证结构连通性的前提下，细化图像。

API调用

在scikit-image包有两种实现，使用方法如下：

• skimage.morphology.skeletonize：可用于2D，3D和ndarray图片的骨骼提取
• skimage.morphology.thin：只能用于binary image
• skimage.morphology.medial_axis：binary image，是有超过1个最近点到对象边界的点的集合。通常被称为拓扑骨骼。

from skimage import morphology
import cv2

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转成灰度图
_, img_bin = cv2.threshold(img_gray, 100, 255, cv2.THRESH_BINARY_INV)  # 二值化处理
img_bin[img_bin == 255] = 1  # 将值变成0-1，骨骼提取函数必须要输入01的二值化图象
# 方法一 skeletonize
img_skeleton = morphology.skeletonize(img_bin)  # 骨骼提取
img = img_skeleton.astype(np.uint8) * 255  # 值从01重新映射回0-255
# 方法二 thin
img_thin = thin(img_bin)
img = img_thin.astype(np.uint8)
# 方法三 medial_axis
img_

应用

1. 笔迹细化：我在识别数学公式的时候，识别经常会将加号和除号混淆，所以对公式图像进行了细化处理，让除号的两点尽可能的分开，不被识别成加号。有效果，但是不大。

膨胀（dilate）

腐蚀（erode）

开运算 -> 白顶帽变换

白顶帽：

会返回图像中的亮点，这些黑点都小于结构元素

闭运算 -> 黑顶帽变换

对于0-1的binary图片，更快的闭运算：skimage.morphology.binary_closing

黑顶帽：闭运算 - 原图

• skimage.morphology.black_tophat

会返回图像中的黑点，这些黑点都小于结构元素