本文详细介绍了图像处理中的形态学操作，包括腐蚀、膨胀、开运算、闭运算以及顶帽变换、底帽变换和形态学梯度。腐蚀通过取结构元的最小值来减小图像中亮点区域，膨胀则通过取最大值增大亮点区域。开运算用于消除细小亮点并平滑边界，闭运算用于填补小黑点并连接相近物体。顶帽变换和底帽变换分别揭示图像中的局部亮点和暗点，形态学梯度则突出物体边界。这些方法在图像处理和计算机视觉中有广泛应用。
常用的形态学处理方法包括：腐蚀、膨胀、开运算、闭运算、顶帽运算、底帽运算，其中腐蚀和膨胀是最基础的方法，其他方法是两者相互结合而产生的。
腐蚀
结构元： 与平滑操作类似，在平滑操作中使用的是矩形邻域，而在形态学处理中邻域可以是矩形结构，也可以是椭圆形、十字交叉形结构。同样也需要指定一个锚点。
在腐蚀操作中，是取结构元中的最小值作为锚点的值。可以对灰度图或二值图做腐蚀操作。以下图为例（均取中心点为锚点）：
上方三个图中的邻域的最小值分别为 11、21、21，这些最小值输出到图像中的锚点位置，其他位置通过移动结构元以此类推，即可得到完整的输出图像。
由上图可知，因为取每个位置邻域内的最小值，所以腐蚀后输出图像的总体亮度的平均值比起原图会有所降低，图像中比较亮的区域的面积会变小甚至消失，而比较暗的区域的面积会增大。
因为对图像进行腐蚀操作后缩小了亮度区域的面积，所以针对阈值分割后前景时白色的二值图，可以通过原图与腐蚀后的图像相减得到前景的边界。
OpenCV 函数
// 腐蚀
// C++
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()
)
// Python
dst=cv.erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
参数解释：
| 参数 | 解释 |
|---|---|
| src | 输入矩阵，灰度图或二值图 |
| dst | 输出矩阵 |
| kernel | 结构元，可以通过 getStructuringElement 函数获取 |
| anchor | 锚点的位置；默认值（-1，-1）表示锚点在结构元中心。 |
| iterations | 腐蚀的次数 |
| borderType | 边界扩充类型 |
| borderValue | 边界扩充值 |
常用的 borderType 有 BORDER_CONSTANT 、BORDER_REPLICATE 和 BORDER_REFLECT ，BORDER_CONSTANT为用常量扩充，BORDER_REPLICATE 为边界复制扩充，BORDER_REFLECT 为镜像扩充。
// 获取结构元
// C++
Mat cv::getStructuringElement(int shape,
Size ksize,
Point anchor = Point(-1,-1)
)
// Python:
retval = cv.getStructuringElement( shape, ksize[, anchor])
| 参数 | 解释 |
|---|---|
| shape | 结构元形状 |
| ksize | 结构元大小 |
| anchor | 结构元锚点 |
结构元形状 shape
-
MORPH_RECT
产生矩形的结构元
-
MORPH_CROSS
产生十字交叉形的结构元
-
MORPH_ELLIPSE
产生椭圆形的结构元
Python 示例
import cv2 as cv
if __name__ == '__main__':
img_src = cv.imread("img2.jpg", 0)
# 创建矩形结构元
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
# 腐蚀图像
img_erode = cv.erode(img_src, kernel)
# 边界提取
img_edge = img_src - img_erode
cv.imwrite("./images/img2_src.jpg", img_src)
cv.imwrite("./images/img2_erode.jpg", img_erode)
cv.imwrite("./images/img2_edge.jpg", img_edge)
对二值图腐蚀
阈值分割后的图像难免会有很多零星的白色噪点，可以通过腐蚀来去除。由上图可知，腐蚀的结构元越大，目标物体（白色区域）的面积会越来越小，如果对图像反复进行腐蚀运算，则会消除整个目标物体。
对灰度图腐蚀
对灰度图的腐蚀，随着结构元尺寸的增大，灰度较暗的区域的面积也随着增大，同时灰度较亮的区域的面积就随着减小，而且处理后的效果可以隐约看出结构元的形状，即很多重叠的矩形快，很像马赛克效果。如果采用椭圆形或十字交叉形的结构元进行侵蚀，则同样会出现类似的椭圆或者十字交叉的形状。
膨胀
在膨胀操作中，是取结构元中的最大值作为锚点的值。可以对灰度图或二值图做膨胀操作。膨胀后输出图像的总体亮度的平均值比起原图会有所上升，图像中比较亮的区域的面积会变大，而比较暗的区域的面积会减小。
OpenCV 函数
// 膨胀
// C++
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()
)
// Python:
dst =cv.dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
参数与腐蚀操作的一样。
Python 示例
下面使用进度条调节结构半径，观察结构元的尺寸对形态学处理的影响
import cv2 as cv
def change_dilate_r(r):
# 创建结构元
kernel = cv.getStructuringElement(cv.MORPH_ELLIPSE, (2 * r + 1, 2 * r + 1))
# 腐蚀图像
img_dilate = cv.dilate(img_src, kernel)
# 显示膨胀效果
cv.imshow('dilate', img_dilate)
if __name__ == '__main__':
img_src = cv.imread("img5.jpg", 0)
# 显示原图
cv.imshow("src", img_src)
# 结构元半径
r = 1
max_r = 20
# 显示膨胀效果的窗口
cv.namedWindow('dilate', 1)
# 调节结构元半径
cv.createTrackbar('r', 'dilate', r, max_r, change_dilate_r)
change_dilate_r(0)
cv.waitKey(0)
开运算和闭运算
开运算 先腐蚀后膨胀叫开运算，具有消除亮度较高的细小区域、在纤细点处分离物体，对于较大物体，可以在不明显改变面积的情况下平滑其边界等作用。
闭运算 先膨胀后腐蚀叫闭运算，具有填充白色物体细小黑色空洞的区域、连接临近物体、同一个结构元、多次迭代处理，也可以在不明显改变其面积的情况下平滑其边界等作用。
开运算和闭运算是膨胀和腐蚀的组合，完全可以利用函数 erode 和 dilate 来完成，OpenCV也提供了函数直接使用
OpenCV 函数
// C++
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()
)
// Python:
dst =cv.morphologyEx(src, op, kernel[,dst[,anchor[,iterations[,borderType[, borderValue]]]]])
| 参数 | 解释 |
|---|---|
| op | 形态学操作的类型 |
| kernel | 结构元，可以通过 getStructuringElement 函数获取 |
| anchor | 锚点的位置；默认值（-1，-1）表示锚点在结构元中心。 |
| iterations | 迭代次数 |
| borderType | 边界扩充类型，见腐蚀 |
| borderValue | 边界扩充值，见腐蚀 |
op 形态学操作的类型
- MORPH_ERODE 腐蚀 erode
- MORPH_DILATE 膨胀 dilate
- MORPH_OPEN 开运算（先腐蚀后膨胀）
- MORPH_CLOSE 闭运算（先膨胀后腐蚀）
- MORPH_GRADIENT 形态学梯度
- MORPH_TOPHAT 顶帽运算
- MORPH_BLACKHAT 底帽运算
Python 示例
使用进度条调节结构半径以及迭代次数，观察结构元的尺寸对形态学处理的影响
import cv2 as cv
def nothing(*args):
pass
if __name__ == '__main__':
img_src = cv.imread("img1.jpg", 0)
r, i = 1, 1
max_r, max_i = 20, 20
cv.namedWindow('morphology', 1)
cv.createTrackbar('r', 'morphology', r, max_r, nothing)
cv.createTrackbar('i', 'morphology', i, max_i, nothing)
while True:
r = cv.getTrackbarPos('r', 'morphology')
i = cv.getTrackbarPos('i', 'morphology')
kernel = cv.getStructuringElement(cv.MORPH_RECT, (2*r+1, 2*r+1))
# img_open = cv.morphologyEx(img_src, cv.MORPH_OPEN, kernel, iterations=i)
# cv.imshow('morphology', img_open)
img_erode = cv.erode(img_src, kernel, iterations=i)
cv.imshow('morphology', img_erode)
ch = cv.waitKey(5)
if ch==27:
break
elif ch==115:
# cv.imwrite(f'./images/img1_{i}.jpg', img_open)
cv.imwrite(f'./images/img1_{i}.jpg', img_erode)
cv.destroyAllWindows()
上图为开运算（上行）和腐蚀（下行）对二值图的处理效果，使用 3x3 矩形结构元，依次进行1次、5次、20次的迭代。随着迭代次数的增加，开运算使白色物体周围细小的亮度较高的区域被消除，且白色物体的面积没有明显的改变，边界在局部内也变的平滑。但是腐蚀操作会使物体的面积变小甚至消失，若果多次使用膨胀操作，则会使白色物体的面积逐渐增大。
开运算还有一个很重要的作用：消除暗背景下的较亮区域。如下图所示，目的是在不改变黑色球的面积的情况下，消除球上的白色区域。腐蚀操作会使球的面积增大，而开运算可以避免球的面积增大。
对于闭运算，如下图所示，目的是去掉骰子上的黑色区域。通过膨胀和闭运算都可以做到，但是膨胀会使骰子的面积增大，而闭运算不会。
顶帽变换、底帽变换和形态学梯度
顶帽变换和底帽变换是分别以开运算和闭运算为基础的
顶帽变换 原图像减去开运算的结果。由于开运算可以消除暗背景下的较亮区域，如果用原图像减去开运算结果就可以得到原图中灰度较亮的区域，所以又称白顶帽变换。可以校正不均匀光照。
底帽变换 原图像减去闭运算的结果。由于闭运算可以删除亮度较高背景下的较暗区域，如果用原图像减去闭运算结果就可以得到原图像灰度较暗的区域，所以又称黑底帽变换。
形态学梯度 膨胀的结果减去腐蚀的结果，因为膨胀是取邻域内的最大值，从而增大亮度高的区域的面积，而腐蚀是取邻域内的最小值，从而减小亮度高的区域的面积，所以得到的图像是图像中物体的边界。
Python 示例
import cv2 as cv
def nothing(*args):
pass
if __name__ == '__main__':
img_src = cv.imread("/img5.jpg", 0)
r, i = 1, 1
max_r, max_i = 20, 20
type = 0
max_type = 2
cv.namedWindow("morphology", 1)
cv.createTrackbar('r', 'morphology', r, max_r, nothing)
cv.createTrackbar('i', 'morphology', i, max_i, nothing)
cv.createTrackbar('t', 'morphology', type, max_type, nothing)
m_type = cv.MORPH_TOPHAT
while True:
r = cv.getTrackbarPos('r', 'morphology')
i = cv.getTrackbarPos('i', 'morphology')
t = cv.getTrackbarPos('t', 'morphology')
if t==0:
m_type = cv.MORPH_TOPHAT
elif t==1:
m_type = cv.MORPH_BLACKHAT
else:
m_type = cv.MORPH_GRADIENT
kernel = cv.getStructuringElement(cv.MORPH_RECT, (2*r+1, 2*r+1))
img_mor = cv.morphologyEx(img_src, m_type, kernel, iterations=i)
cv.imshow('morphology', img_mor)
ch = cv.waitKey(5)
if ch == 27:
break
elif ch == 115:
cv.imwrite(f'./images/img_{t}.jpg', img_mor)
cv.destroyAllWindows()
下图为使用 3x3 的矩形结构元进行 12 次的顶帽运算，使用 3x3 的矩形结构元进行10底帽运算的结果，形态学梯度操作后的结果。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
