5. 形态变换

1. 侵蚀

侵蚀的基本思想就像土壤侵蚀一样，它侵蚀了前景物体的边界（始终尽量保持前景为白色）。那么它有什么作用呢？内核在图像中滑动（如在 2D 卷积中）。仅当内核下的所有像素都为 1 时，原始图像中的像素（1 或 0）才会被视为 1，否则它会被侵蚀（使其为零）。所以发生的事情是，根据内核的大小，边界附近的所有像素都将被丢弃。因此，前景对象的厚度或大小会减少，或者只是图像中的白色区域会减少。它对于去除小的白噪声、分离两个连接的对象等很有用。
python中用法：

dst	=	cv.erode(	src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]	)

参数	描述
src	输入图片矩阵
dst	输出图片矩阵
kernel	用于侵蚀的结构元素；如果 element=Mat()，则使用 3 x 3 矩形结构元素。可以使用 getStructuringElement 创建内核。
anchor	元素内锚点的位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations	应用侵蚀的次数
borderType	像素外插方法，参见 BorderTypes。不支持 BORDER_WRAP。
borderValue	边界不变的情况下的边界值

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8) # 自定义内核
erosion = cv.erode(img,kernel,iterations = 1)
plt.subplot(1, 2, 1), plt.imshow(img, 'gray'), plt.title("Original")
plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(erosion, 'gray'), plt.title("Erosion")
plt.xticks([]), plt.yticks([])
plt.show()

2.扩张

它与侵蚀正好相反。这里，如果内核下至少一个像素为“1”，则像素元素为“1”。所以它增加了图像中的白色区域或前景对象的大小增加。通常，在去除噪声等情况下，腐蚀之后是膨胀。因为，侵蚀去除了白噪声，但它也缩小了我们的对象。所以我们扩张它。由于噪音消失了，它们不会回来，但我们的对象区域会增加。它也可用于连接对象的损坏部分。
python中用法：

dst	=	cv.dilate(	src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]	)

参数	描述
src	输入图片矩阵
dst	输出图片矩阵
kernel	用于侵蚀的结构元素；如果 element=Mat()，则使用 3 x 3 矩形结构元素。可以使用 getStructuringElement 创建内核。
anchor	元素内锚点的位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations	应用膨胀的次数
borderType	像素外插方法，参见 BorderTypes。不支持 BORDER_WRAP。
borderValue	边界不变的情况下的边界值

3. 形态变换

morphologyEx()执行高级形态变换。函数 cv::morphologyEx 可以使用腐蚀和膨胀作为基本操作来执行高级形态变换。任何操作都可以就地完成。在多通道图像的情况下，每个通道都是独立处理的。

python中用法：

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

参数	描述
src	输入图片矩阵
dst	输出图片矩阵
op	形态操作的类型，参见 MorphTypes
kernel	结构元素。它可以使用 getStructuringElement 创建。
anchor	用内核锚定位置。负值表示anchor位于内核中心。
iterations	应用腐蚀和膨胀的次数。
borderType	像素外插方法，参见 BorderTypes。不支持 BORDER_WRAP。
borderValue	边界不变的情况下的边界值

MorphTypes

类型	描述
MORPH_ERODE Python: cv.MORPH_ERODE	参考erode
MORPH_DILATE Python: cv.MORPH_DILATE	参考dilate
MORPH_OPENPython: cv.MORPH_OPEN	开运算 $dst=open(src,element)=dilate(erode(src,element))$
MORPH_CLOSE Python: cv.MORPH_CLOSE	闭运算 $dst=close(src,element)=erode(dilate(src,element))$
MORPH_GRADIENT Python: cv.MORPH_GRADIENT	形态梯度 $dst=morp{h}_{g}rad(src,element)=dilate(src,element)-erode(src,element)$
MORPH_TOPHAT Python: cv.MORPH_TOPHAT	顶帽 $dst=tophat(src,element)=src-open(src,element)$
MORPH_BLACKHAT Python: cv.MORPH_BLACKHAT	黑帽 $dst=blackhat(src,element)=close(src,element)-src$
MORPH_HITMISS Python: cv.MORPH_HITMISS	“命中或未命中” .- 仅支持 CV_8UC1 二进制图像。可以在文档中找到教程

3.1 开运算

开运算只是侵蚀后膨胀的另一个名称。正如我们上面所解释的，它在消除噪声方面很有用。这里我们使用函数cv.morphologyEx()

opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

3.2 闭运算

闭运算与开运算、膨胀和侵蚀相反。它可用于关闭前景对象内的小孔或对象上的小黑点。

closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

3.3 形态梯度

这是图像膨胀和腐蚀之间的区别。结果看起来像是图像的轮廓

gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

3.4 顶帽

它是输入图像和输入图像开运算之间的差异。下面的例子是针对一个9x9的内核做的。

kernel = np.ones((9, 9), np.uint8)
tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

3.5 黑帽

它是输入图像和输入图像的闭运算之间的差异。

blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

结构元素

在前面的例子中，我们在Numpy的帮助下手动创建了一个结构化元素。它是长方形的。但在某些情况下，你可能需要椭圆/圆形的内核。所以为了这个目的，OpenCV有一个函数，cv.getStructuringElement()。你只需传递内核的形状和大小，就可以得到所需的内核

# Rectangular Kernel，矩形内核
>>> cv.getStructuringElement(cv.MORPH_RECT,(5,5))
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=uint8)
# Elliptical Kernel，椭圆内核
>>> cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)
# Cross-shaped Kernel，十字内核
>>> cv.getStructuringElement(cv.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)