OpenCV教程（23）形态学操作morphologyEx（）

目录

目标

原理

腐蚀

膨胀

开运算

闭运算

形态学梯度

礼帽

黑帽

小结：形态学操作之间的关系

---

目标

• 学习不同的形态学操作，例如腐蚀，膨胀，开运算，闭运算等

• 我们要学习的函数有：cv2.erode()，cv2.dilate()，cv2.morphologyEx()等

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。我们会以下图为例逐一介绍它们。

---

腐蚀

就像土壤侵蚀一样，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，否则就变为零。

这会产生什么影响呢？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减少。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。

这里我们有一个例子，使用一个5x5 的卷积核，其中所有的值都是以。让我们看看他是如何工作的：

# !/usr/bin/env python
# -*- coding: utf-8 -*-
"""
# @Time    : 2019/10/7 10:56
# @Author  : HaoWang
# @Site    : HongKong, China
# @project : $[PROJECT_NAME]
# @File    : 0901.Erode.py
# @Software: PyCharm
# @license: haowanghk@gmail.com 
"""

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


src = cv.imread("../pictures/binary.png",0)
kernel = np.ones((5,5), np.uint8)
erosion = cv.erode(src=src,kernel=kernel, iterations=1)

plt.subplot(121),plt.imshow(src),plt.title("Original Image : "+ str(np.shape(src)))
plt.subplot(122),plt.imshow(erosion), plt.title("Erosion Image : " + str(np.shape(erosion)))

plt.show()

注意：opencv使用的图像是BGR三通道，而matplot使用的是图像RGB三通道，所以显示时的色彩会有差异，这里并没有更正是为了更加直观的观察出细节处的差别。

---

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，中心元素的像素值就是1。

所以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。因为腐蚀在去掉白噪声的同时，也会使前景对象变小。所以我们再对他进行膨胀。这时噪声已经被去除了，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。

# !/usr/bin/env python
# -*- coding: utf-8 -*-
"""
# @Time    : 2019/10/7 10:56
# @Author  : HaoWang
# @Site    : HongKong, China
# @project : $[PROJECT_NAME]
# @File    : 0901.Erode.py
# @Software: PyCharm
# @license: haowanghk@gmail.com
"""

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


src = cv.imread("../pictures/binary.png",0)

# erosion
kernel = np.ones((5,5), np.uint8)
erosion = cv.erode(src=src,kernel=kernel, iterations=1)

# dilation
dilation = cv.dilate(src, kernel,iterations =1 )

plt.subplot(131),plt.imshow(src),plt.title("Original Image : "+ str(np.shape(src)))
plt.subplot(132),plt.imshow(erosion), plt.title("Erosion Image " )
plt.subplot(133), plt.imshow(dilation), plt.title("Dilation Image " )

plt.show()

腐蚀与膨胀效果对比：

---

开运算

先使用腐蚀算法再进行膨胀就叫做开运算。

就像我们上面介绍的那样，它被用来去除噪声。

这里我们用到的函数是cv2.morphologyEx()。

# !/usr/bin/env python
# -*- coding: utf-8 -*-
"""
# @Time    : 2019/10/7 11:20
# @Author  : HaoWang
# @Site    : HongKong, China
# @project : $[PROJECT_NAME]
# @File    : 0902.Opening 开运算.py
# @Software: PyCharm
# @license: haowanghk@gmail.com 
"""

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


src = cv.imread("../pictures/binary.png",0)
noi_src = cv.imread("../pictures/noisy_binary.jpg",0)

# erosion
kernel = np.ones((5,5), np.uint8)
erosion = cv.erode(src=src,kernel=kernel, iterations=1)

# dilation
dilation = cv.dilate(src, kernel,iterations =1 )

# Opening Alog
opening = cv.morphologyEx(noi_src, cv.MORPH_OPEN, kernel)

plt.subplot(131),plt.imshow(src),plt.title("Original Image : "+ str(np.shape(src)))
plt.subplot(132),plt.imshow(erosion), plt.title("Erosion Image " )
plt.subplot(133), plt.imshow(dilation), plt.title("Dilation Image " )

plt.show()

plt.subplot(221), plt.imshow(noi_src), plt.title("Original Noisy Image " + str(np.shape(noi_src)) )
plt.subplot(222), plt.imshow(opening), plt.title("Opening ")

plt.show()

 

---

闭运算

先膨胀再腐蚀- 闭运算。

它经常被用来填充前景物体中的小洞，或者前景物体上的小黑点。

# !/usr/bin/env python
# -*- coding: utf-8 -*-
"""
# @Time    : 2019/10/7 11:20
# @Author  : HaoWang
# @Site    : HongKong, China
# @project : $[PROJECT_NAME]
# @File    : 0902.Opening 开运算.py
# @Software: PyCharm
# @license: haowanghk@gmail.com 
"""

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


src = cv.imread("../pictures/binary.png",0)
noi_src = cv.imread("../pictures/closing.jpg",0)

# erosion
kernel = np.ones((5,5), np.uint8)
erosion = cv.erode(src=src,kernel=kernel, iterations=1)

# dilation
dilation = cv.dilate(src, kernel,iterations =1 )

# Opening Alog
opening = cv.morphologyEx(noi_src, cv.MORPH_OPEN, kernel)

# Closing
closing = cv.morphologyEx(noi_src, cv.MORPH_CLOSE, kernel)

plt.subplot(131),plt.imshow(src),plt.title("Original Image : "+ str(np.shape(src)))
plt.subplot(132),plt.imshow(erosion), plt.title("Erosion Image " )
plt.subplot(133), plt.imshow(dilation), plt.title("Dilation Image " )

plt.show()

plt.subplot(221), plt.imshow(noi_src), plt.title("Original Noisy Image " + str(np.shape(noi_src)) )
plt.subplot(222), plt.imshow(closing), plt.title("closing ")

plt.show()

 

---

形态学梯度

其实就是一幅图像膨胀与腐蚀的差别。结果看上去就像前景物体的轮廓。

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

1. 直接使用图像梯度计算结果

2. 先进行闭运算（先膨胀再腐蚀）再计算梯度结果：

---

礼帽

原始图像与进行开运算之后得到的图像的差。下面的例子是用一个9x9 的核进行礼帽操作的结果。

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

---

黑帽

 

进行闭运算之后得到的图像与原始图像的差。

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

 

---

小结：形态学操作之间的关系

我们把以上集中形态学操作之间的关系列出来以供大家参考：

# !/usr/bin/env python
# -*- coding: utf-8 -*-
"""
# @Time    : 2019/10/7 11:20
# @Author  : HaoWang
# @Site    : HongKong, China
# @project : $[PROJECT_NAME]
# @File    : 0902.Opening 开运算.py
# @Software: PyCharm
# @license: haowanghk@gmail.com 
"""

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


src = cv.imread("../pictures/binary.png",0)
noi_src = cv.imread("../pictures/closing.jpg",0)

# erosion
kernel = np.ones((9,9), np.uint8)
erosion = cv.erode(src=src,kernel=kernel, iterations=1)

# dilation
dilation = cv.dilate(src, kernel,iterations =1 )

# Opening Alog
opening = cv.morphologyEx(noi_src, cv.MORPH_OPEN, kernel)

# Closing
closing = cv.morphologyEx(noi_src, cv.MORPH_CLOSE, kernel)

# gradient
gradient = cv.morphologyEx(closing, cv.MORPH_GRADIENT, kernel)

# tophat
tophat = cv.morphologyEx(src, cv.MORPH_TOPHAT, kernel)

# blackhat
blackhat = cv.morphologyEx(src, cv.MORPH_BLACKHAT, kernel)
plt.subplot(131),plt.imshow(src),plt.title("Original Image : "+ str(np.shape(src)))
plt.subplot(132),plt.imshow(erosion), plt.title("Erosion Image " )
plt.subplot(133), plt.imshow(blackhat), plt.title("blackhat " )

plt.show()

# plt.subplot(231), plt.imshow(noi_src), plt.title("Original Noisy Image " + str(np.shape(noi_src)) )
# plt.subplot(232), plt.imshow(closing), plt.title("closing ")
# plt.subplot(233), plt.imshow(gradient), plt.title("gradient ")
# plt.show()

---