opencv基础篇 ——（六）图像形态学

fengqiao1999

已于 2024-04-26 10:00:08 修改

阅读量1k

点赞数 19

分类专栏： opencv C++ 文章标签： opencv 计算机视觉人工智能

于 2024-04-23 12:07:12 首次发布

本文链接：https://blog.csdn.net/fengqiao1999/article/details/137921073

版权

C++ 同时被 2 个专栏收录

50 篇文章 6 订阅

订阅专栏

opencv

32 篇文章 3 订阅

订阅专栏

概念

图像形态学是一种数学理论和技术，用于分析和处理图像中的形状和结构。它主要基于数学形态学的概念，通过操作图像中的形状和结构元素（也称为内核或模板），来实现图像的分析、增强、去噪和特征提取等目的。图像形态学通常用于数字图像处理、计算机视觉和模式识别等领域。以下是图像形态学的一些关键概念和常见操作：

关键概念：

结构元素（Structuring Element）：结构元素是一种小的图像模板，用于定义形态学操作的特征和行为。它通常是一个小的二值图像，用于描述待处理图像中的局部结构。常见的结构元素包括方形、圆形、十字形等。
腐蚀（Erosion）：腐蚀是一种形态学操作，它通过结构元素对图像进行局部最小值滤波，使图像中边界部分逐渐缩小。腐蚀操作可以用于去除图像中的噪声、分割物体等。
膨胀（Dilation）：膨胀是一种形态学操作，它通过结构元素对图像进行局部最大值滤波，使图像中的边界部分逐渐扩张。膨胀操作可以用于填充图像中的空洞、连接物体等。
开运算（Opening）：开运算是先进行腐蚀操作，再进行膨胀操作的组合操作。它可以用于去除小的噪声，并保留图像中的主要结构。
闭运算（Closing）：闭运算是先进行膨胀操作，再进行腐蚀操作的组合操作。它可以用于填充小的空洞，并连接图像中的断裂结构。
形态学梯度（Morphological Gradient）：形态学梯度是膨胀和腐蚀之间的差异，它可以用于检测图像中的边缘和轮廓。

常见操作：

形态学滤波：使用腐蚀、膨胀、开运算、闭运算等形态学操作来进行图像滤波和去噪。
图像分割：使用腐蚀、膨胀等操作来分割图像中的对象。
图像特征提取：使用形态学操作来提取图像中的特征，如边缘、轮廓等。
图像形态学在图像处理中有着广泛的应用，能够有效地处理不同形状、大小和复杂度的图像，并提取出有用的信息和特征。

图像腐蚀`erode`

cv::erode 是 OpenCV 库中用于执行图像腐蚀（erosion）这一形态学操作的函数。图像腐蚀是一种基本的图像处理技术，常用于消除噪声、细化边缘、分离紧密相连的物体等。

函数声明：

void cv::erode(
    InputArray src,
    OutputArray dst,
    InputArray kernel,
    Point anchor = Point(-1, -1),
    int iterations = 1,
    int borderType = BORDER_CONSTANT,
    const Scalar& borderValue = morphologyDefaultBorderValue());

参数说明：

InputArray src：输入图像，需为单通道 8-bit、16-bit 或 32-bit 浮点型图像，或者是三通道 8-bit 图像。
OutputArray dst：输出图像，与输入图像 src 具有相同的尺寸和类型。
InputArray kernel：腐蚀所使用的结构元素（structuring element）。通常为方形、圆形或其他形状的二值矩阵，定义了腐蚀操作中影响像素邻域的形状。结构元素决定了哪些相邻像素将参与到腐蚀过程中，共同决定中心像素是否被保留。推荐使用 cv::getStructuringElement 函数来创建结构元素，它可以生成矩形（cv::MORPH_RECT）、椭圆（cv::MORPH_ELLIPSE）或十字形（cv::MORPH_CROSS）等常见形状。
Point anchor：结构元素的锚点（anchor point），即结构元素相对于其作用像素的基准点。默认值为 Point(-1, -1)，表示结构元素的中心作为锚点。根据需要，可以指定其他位置作为锚点。
int iterations：腐蚀操作的迭代次数。默认值为 1，即执行一次腐蚀。若设置为大于 1 的整数，将连续多次应用腐蚀操作，每次迭代的结果作为下一次迭代的输入。
int borderType：边界填充类型，定义了如何处理图像边缘以外的像素。可选值包括：
- BORDER_CONSTANT: 使用指定的 borderValue 填充边缘。
- BORDER_REPLICATE: 复制边缘像素值。
- BORDER_REFLECT: 反射边缘像素。
- BORDER_WRAP: 包裹边缘像素。
- 其他边界模式，具体参见 OpenCV 文档。
const Scalar& borderValue：当 borderType 为 BORDER_CONSTANT 时，用于填充图像边缘的值。默认情况下，使用 morphologyDefaultBorderValue() 提供的值，通常为黑色（对于 8-bit 图像，为 0）。

功能概述：

消除噪声：在二值图像中，孤立的像素或小面积的像素团块往往被视为噪声。腐蚀操作可以有效地去除这些孤立像素，因为它们无法找到足够数量的相邻像素与其一起满足腐蚀条件，从而在腐蚀过程中被置为背景色。
细化边缘：对于物体边缘的粗略轮廓，腐蚀操作能够使其变薄，减少边缘内部像素的数量。这有助于后续的边缘检测算法更准确地定位物体边缘。
分离连接物体：当两个物体距离非常近以至于在原始图像中看似连在一起时，腐蚀可以减小物体的面积，使得原本重叠或接触的部分变得分离。这对于后续的物体分割或计数任务十分有用。

工作原理：

结构元素应用：cv::erode 函数使用用户指定的结构元素（structuring element）对输入图像中的每个像素进行操作。结构元素通常是一个二值矩阵，代表了影响中心像素判断的邻域形状和大小。例如，一个 3x3 的矩形结构元素可以表示以当前像素为中心的 3x3 邻域。
条件判断：对于输入图像中的每个像素，将其邻域与结构元素进行比较。在二值图像中，判断条件通常是邻域内所有像素值是否均为 1（前景）。如果是彩色图像，通常先将其转化为灰度或二值图像再进行腐蚀。
像素值更新：如果邻域内所有像素都满足腐蚀条件，则保留中心像素的原始值；否则，将中心像素值设置为背景色（例如，在二值图像中，设为 0）。这意味着任何无法找到足够数量“支持”像素（即满足腐蚀条件的像素）的中心像素都将被“侵蚀”。
迭代处理：根据用户指定的迭代次数，重复执行上述过程。多次腐蚀可以进一步减小物体面积或消除边缘附近的噪声。

参数控制：

结构元素：通过 cv::getStructuringElement 函数创建，可以是矩形、圆形、十字形或其他自定义形状，以适应不同的应用场景。
锚点：指定结构元素相对于其作用像素的基准点。默认情况下，结构元素的中心作为锚点，但可以根据需要调整。
迭代次数：控制腐蚀操作的强度。增加迭代次数会使腐蚀效果更明显，可能导致物体面积显著减小或边缘更加细化。
边界处理：定义图像边缘外像素如何处理，如使用常数值填充（BORDER_CONSTANT）、复制边缘像素（BORDER_REPLICATE）等。选择合适的边界处理方式可以避免边缘效应影响腐蚀结果。

示例用法：

// 读取输入图像
cv::Mat src = cv::imread("input_image.png", cv::IMREAD_GRAYSCALE);

// 创建一个矩形结构元素，尺寸为 3x3，锚点位于中心
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));

// 执行一次腐蚀操作
cv::Mat dst;
cv::erode(src, dst, kernel);

// 显示结果
cv::imshow("Original Image", src);
cv::imshow("Eroded Image", dst);
cv::waitKey();

图像膨胀`dilate`

cv::dilate 是 OpenCV 库中用于执行图像膨胀（dilation）操作的函数。图像膨胀是一种形态学图像处理技术，用于增强边缘、连接断裂的边界、填补物体内部的小空洞等。

函数声明：

void cv::dilate(
    InputArray src,
    OutputArray dst,
    InputArray kernel,
    Point anchor = Point(-1, -1),
    int iterations = 1,
    int borderType = BORDER_CONSTANT,
    const Scalar& borderValue = morphologyDefaultBorderValue());

参数说明：

InputArray src：输入图像，可以是单通道 8-bit、16-bit 或 32-bit 浮点型图像，或者是三通道 8-bit 图像。
OutputArray dst：输出图像，与输入图像 src 具有相同的尺寸和类型。
InputArray kernel：膨胀所使用的结构元素（structuring element）。通常为方形、圆形或其他形状的二值矩阵，定义了膨胀操作中影响像素邻域的形状。结构元素决定了哪些相邻像素将参与到膨胀过程中，共同决定中心像素是否被改变。推荐使用 cv::getStructuringElement 函数来创建结构元素，它可以生成矩形（cv::MORPH_RECT）、椭圆（cv::MORPH_ELLIPSE）或十字形（cv::MORPH_CROSS）等常见形状。
Point anchor：结构元素的锚点（anchor point），即结构元素相对于其作用像素的基准点。默认值为 Point(-1, -1)，表示结构元素的中心作为锚点。根据需要，可以指定其他位置作为锚点。
int iterations：膨胀操作的迭代次数。默认值为 1，即执行一次膨胀。若设置为大于 1 的整数，将连续多次应用膨胀操作，每次迭代的结果作为下一次迭代的输入。
int borderType：边界填充类型，定义了如何处理图像边缘以外的像素。可选值包括：
- BORDER_CONSTANT: 使用指定的 borderValue 填充边缘。
- BORDER_REPLICATE: 复制边缘像素值。
- BORDER_REFLECT: 反射边缘像素。
- BORDER_WRAP: 包裹边缘像素。
- 其他边界模式，具体参见 OpenCV 文档。
const Scalar& borderValue：当 borderType 为 BORDER_CONSTANT 时，用于填充图像边缘的值。默认情况下，使用 morphologyDefaultBorderValue() 提供的值，通常为黑色（对于 8-bit 图像，为 0）。

功能概述：

增强边缘：膨胀操作可以扩大物体边缘，使原本模糊或弱化的边缘变得更宽、更明显。这对于后续的边缘检测和轮廓提取任务有积极作用。
连接断裂的边界：当物体的边界因噪声、光照变化等原因出现断裂时，膨胀可以“弥合”这些断裂，使得原本分开的部分重新连接起来。这对于保持物体完整性、提高物体识别准确性很有帮助。
填补物体内部的小空洞：对于物体内部存在的小空洞或孔隙，膨胀操作能够用周围像素的颜色填充这些区域，使物体内部变得更加连续和平滑。

工作原理：

结构元素应用：cv::dilate 函数使用用户指定的结构元素（structuring element）对输入图像中的每个像素进行操作。结构元素通常是一个二值矩阵，代表了影响中心像素判断的邻域形状和大小。例如，一个 3x3 的矩形结构元素可以表示以当前像素为中心的 3x3 邻域。
条件判断：对于输入图像中的每个像素，将其邻域与结构元素进行比较。在二值图像中，判断条件通常是邻域内是否存在至少一个像素值为 1（前景）。如果是彩色图像，通常先将其转化为灰度或二值图像再进行膨胀。
像素值更新：如果邻域内有任何一个像素满足膨胀条件，则将中心像素值设置为前景色（例如，在二值图像中，设为 1）。这意味着即使只有一个“支持”像素（即满足膨胀条件的像素），中心像素也会被“膨胀”。
迭代处理：根据用户指定的迭代次数，重复执行上述过程。多次膨胀可以进一步增大物体面积，强化边缘连接效果，或更彻底地填充物体内部空洞。

参数控制：

结构元素：通过 cv::getStructuringElement 函数创建，可以是矩形、圆形、十字形或其他自定义形状，以适应不同的应用场景。
锚点：指定结构元素相对于其作用像素的基准点。默认情况下，结构元素的中心作为锚点，但可以根据需要调整。
迭代次数：控制膨胀操作的强度。增加迭代次数会使膨胀效果更明显，可能导致物体面积显著增大或边缘更加粗厚。
边界处理：定义图像边缘外像素如何处理，如使用常数值填充（BORDER_CONSTANT）、复制边缘像素（BORDER_REPLICATE）等。选择合适的边界处理方式可以避免边缘效应影响膨胀结果。

示例用法：

// 读取输入图像并转为灰度
cv::Mat src = cv::imread("input_image.png", cv::IMREAD_GRAYSCALE);

// 创建一个矩形结构元素，尺寸为 3x3，锚点位于中心
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));

// 执行一次膨胀操作
cv::Mat dst;
cv::dilate(src, dst, kernel);

// 显示结果
cv::imshow("Original Image", src);
cv::imshow("Dilated Image", dst);
cv::waitKey();

综合形态学`morphologyEx`

cv::morphologyEx 是 OpenCV 库中提供的一组综合形态学图像处理功能的函数。它封装了一系列高级形态学操作，如腐蚀、膨胀、开运算、闭运算、形态学梯度、顶帽（Top Hat）、黑帽（Black Hat）变换等。这些操作基于基本的腐蚀和膨胀技术，但通过组合和/或对比这些基础操作的结果，实现了更复杂和多样化的图像形态学变换。

函数声明：

void cv::morphologyEx(
    InputArray src,
    OutputArray dst,
    int op,
    InputArray kernel,
    Point anchor = Point(-1, -1),
    int iterations = 1,
    int borderType = BORDER_CONSTANT,
    const Scalar& borderValue = morphologyDefaultBorderValue());

参数说明：

InputArray src：输入图像，可以是单通道 8-bit、16-bit 或 32-bit 浮点型图像，或者是三通道 8-bit 图像。
OutputArray dst：输出图像，与输入图像 src 具有相同的尺寸和类型。
int op：形态学运算标识符，指定要执行的具体形态学操作。可选值包括：
- cv::MORPH_ERODE：腐蚀。
- cv::MORPH_DILATE：膨胀。
- cv::MORPH_OPEN：开运算（先腐蚀后膨胀）。
- cv::MORPH_CLOSE：闭运算（先膨胀后腐蚀）。
- cv::MORPH_GRADIENT：形态学梯度（膨胀图与腐蚀图之差）。
- cv::MORPH_TOPHAT：顶帽变换（原图与开运算结果之差）。
- cv::MORPH_BLACKHAT：黑帽变换（闭运算结果与原图之差）。
InputArray kernel：用于形态学操作的结构元素（structuring element）。通常为方形、圆形或其他形状的二值矩阵，由 cv::getStructuringElement 函数生成。结构元素决定了参与运算的像素邻域形状。
Point anchor：结构元素的锚点（anchor point），即结构元素相对于其作用像素的基准点。默认值为 Point(-1, -1)，表示结构元素的中心作为锚点。可根据需要指定其他位置作为锚点。
int iterations：进行形态学操作的迭代次数。默认值为 1，即执行一次指定的操作。若设置为大于 1 的整数，将连续多次应用该操作，每次迭代的结果作为下一次迭代的输入。
int borderType：边界填充类型，定义了如何处理图像边缘以外的像素。可选值同 cv::dilate 和 cv::erode 函数中的 borderType 参数。
const Scalar& borderValue：当 borderType 为 BORDER_CONSTANT 时，用于填充图像边缘的值。默认情况下，使用 morphologyDefaultBorderValue() 提供的值，通常为黑色（对于 8-bit 图像，为 0）。

功能概述：

1. 腐蚀与膨胀：

腐蚀 (`cv::MORPH_ERODE)：该功能模拟了物理侵蚀过程，通过比较输入图像中每个像素及其邻域与结构元素的关系，去除那些邻域内不符合特定规则（如在二值图像中邻域内没有足够前景像素）的像素。腐蚀常用于消除孤立像素噪声、细化边缘以及分离紧密相连的物体。
膨胀 (`cv::MORPH_DILATE)：与腐蚀相反，膨胀操作模拟了物理扩张过程，将输入图像中每个像素的邻域内符合规则（如在二值图像中邻域内只要有任意一个前景像素）的像素值传播到中心像素。膨胀功能适用于增强边缘、连接断裂的边界以及填补物体内部的小空洞。

2. 组合操作：

开运算 (`cv::MORPH_OPEN)：先对输入图像进行腐蚀，再进行膨胀。开运算可以有效去除小物体、平滑边缘、分离粘连物体，同时保持大物体的基本形状。它对于消除噪声和分离独立物体特别有用，因为它既消除了小噪声点，又不会过度改变物体的真实轮廓。
闭运算 (`cv::MORPH_CLOSE)：与开运算顺序相反，先膨胀后腐蚀。闭运算主要用于连接断裂的边界、填补小空洞、消除小孔洞，并保持大物体的基本形状。它对于恢复断裂的边缘、合并接近但未完全接触的物体以及消除内部小孔洞非常有效。

3. 特征提取与增强：

形态学梯度 (`cv::MORPH_GRADIENT)：计算膨胀图像与腐蚀图像之间的差异。结果图像中，每个像素的值反映了原图像中相应位置边缘的强度。形态学梯度常用于边缘检测和边缘增强，因为它能突出显示图像中的边缘信息，同时对噪声有一定的抑制作用。
顶帽 (`cv::MORPH_TOPHAT)：计算原图像与开运算结果之间的差值。顶帽变换会突出显示原图像中比结构元素尺寸小的细节特征，如小物体或细线。这些细节在开运算中会被消除，因此在顶帽变换结果中，这些细节表现为正差值。
黑帽 (`cv::MORPH_BLACKHAT)：计算闭运算结果与原图像之间的差值。黑帽变换强调的是原图像中比结构元素尺寸大的暗区细节，如孔洞或凹陷。这些细节在闭运算中会被填补，因此在黑帽变换结果中，这些细节表现为负差值。

参数控制与通用特性：

cv::morphologyEx 函数接受以下关键参数以控制形态学操作的执行：

结构元素 (kernel)：定义了参与形态学运算的像素邻域形状和大小。结构元素通常为二值矩阵，可以通过 cv::getStructuringElement 函数创建，支持矩形、椭圆、十字形等形状，以及自定义形状。
锚点 (anchor)：结构元素相对于其作用像素的基准点，默认为结构元素中心。可以调整锚点位置以适应特定的形态学需求。
迭代次数 (iterations)：指定进行形态学操作的迭代次数。增加迭代次数可以增强形态学操作的效果，但可能会导致物体面积显著变化或边缘过度平滑。
边界处理 (borderType 和 borderValue)：定义图像边缘外像素如何处理，如常数值填充、复制边缘像素等，以避免边缘效应影响形态学处理结果。

应用示例：

// 读取输入图像
cv::Mat src = cv::imread("input_image.png", cv::IMREAD_GRAYSCALE);

// 创建一个矩形结构元素，尺寸为 3x3，锚点位于中心
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));

// 执行形态学开运算
cv::Mat openResult;
cv::morphologyEx(src, openResult, cv::MORPH_OPEN, kernel);

// 执行形态学梯度计算
cv::Mat gradientResult;
cv::morphologyEx(src, gradientResult, cv::MORPH_GRADIENT, kernel);

// 显示结果
cv::imshow("Original Image", src);
cv::imshow("Open Result", openResult);
cv::imshow("Morphological Gradient", gradientResult);
cv::waitKey();