OpenCV(十三)：图像处理 for Python之形态学转换(腐蚀+膨胀+开运算+闭运算+形态学梯度)

目标：

学习不同的形态学操作，例如：腐蚀+膨胀+开运算+闭运算+梯度

函数：

cv2.erode(), cv2.dilate(), cv2.morphologyEx()

原理：

形态学操作是根据图像形状进行的简单操作，一般情况下是对二值化图像进行的操作，需要输入两个参数，一个是原始图像，第二个被称为结构化元素或者核，它是用来决定操作的性质的。两个基本的形态学操作是腐蚀和膨胀。他们的变体构成了开运算，闭运算，梯度等。

img:

1 腐蚀

函数：cv2.erode()

腐蚀主要就是调用cv2.erode(img,kernel,iterations)，这个函数的参数是 第一个参数：

img指需要腐蚀的图

第二个参数：kernel指腐蚀操作的内核，默认是一个简单的3X3矩阵，可以利用getStructuringElement()函数指明它的形状或者使用Numpy 

第三个参数：iterations指的是腐蚀次数，省略是默认为1

白素区域会减少。类似土壤腐蚀，这个操作会把前景物体的边界腐蚀掉（但是前景仍然是白色）。

这是怎么做到的呢？ 卷积核沿着图像滑动，如果与卷积核对应的原图像的所有像素值都是1，那么中心元素就保持原来的像素值，否则就变为0.。

这会产生很忙影响呢？ 根据卷积核的大小靠近前景的所有像素都会被腐蚀掉（变为0），所以前景物体会变小，整幅图像的白色区域会变少，这对于去除白噪声很有用。 也可以用来断开两个连在一块的物体等。

代码：

import cv2
import numpy as np
img = cv2.imread("gray.png", 0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img, kernel, iterations=1)
cv2.namedWindow('image1', cv2.WINDOW_NORMAL)  # 创建窗口，此时的图片是可以自由拉伸改变大小的
cv2.imshow('image1', erosion)  # 加载
cv2.waitKey(0)
cv2.destroyAllWindows()

原图：效果：

2 膨胀

函数：cv2.dilate()

白色区域会增加（一般在去噪时 先用腐蚀再用膨胀）。

与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是1，中心元素的像素值都是1.，所有这个操作会增加图像中的白色区域（前景），一般在去噪声时先用腐蚀再用膨胀。 因为腐蚀在去掉噪声的同时，也会使前景对象变小。所以我们再对他进行膨胀，这个时候噪声已经被去除了，不会再回来了，但是前景还在并会增加。 膨胀也可以用来连接两个分开的物体

代码：

import cv2
import numpy as np
img = cv2.imread("gray.png", 0)
kernel = np.ones((5,5),np.uint8)
dilation = cv2.dilate(img, kernel, iterations = 1)
cv2.namedWindow('image2', cv2.WINDOW_NORMAL)  
cv2.imshow('image2', dilation)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图：效果：

3 开运算、闭运算、形态学梯度

函数：cv2.morphologyEx()

开运算：先进行腐蚀再进行膨胀

代码：

import cv2
import numpy as np
img = cv2.imread("gray.png", 0)
kernel = np.ones((5, 5), np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.namedWindow('image3', cv2.WINDOW_NORMAL)
cv2.imshow('image3', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图：效果：

闭运算：先进行膨胀再进行腐蚀

代码：

import cv2
import numpy as np
img = cv2.imread("gray.png", 0)
kernel = np.ones((5, 5), np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.namedWindow('image4', cv2.WINDOW_NORMAL)
cv2.imshow('image4', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图：效果：

形态学梯度：其实就是一副图像腐蚀和膨胀的差别。结果看上去就像前景物体的轮廓。

代码：

import cv2
import numpy as np
img = cv2.imread("gray.png", 0)
kernel = np.ones((5, 5), np.uint8)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.namedWindow('image5', cv2.WINDOW_NORMAL)
cv2.imshow('image5', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

腐蚀：膨胀：梯度：

转载请注明转自：https://blog.csdn.net/Owen_goodman/article/details/107538964