Opencv图像处理--形态学操作

1 连通性

在图像中，最小的单位是像素，每个像素周围有8个临界像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示：

• 4邻接：像素p（x，y）的4邻域是：（x+1，y）；（x-1，y）；（x，y+1）；（x，y-1），用N4§表示像素p的4邻域
• D邻接：像素p（x，y）的D邻域是：对角上的点（x+1，y+1）；（x+1，y-1）；（x-1，y+1）；（x-1，y-1），用ND§表示像素p的D邻域
• 8邻接：像素p（x，y）的8邻域是：4邻域的点+D邻域的点，用N8§表示像素p的8邻域

连通性是描述区域和边界的重要概念，两个像素连通的两个必要条件是：

1. 两个像素的位置是否相邻
2. 两个像素的灰度值是否满足特定的相似性准则（或者是否相等）

根据连通性的定义，有4联通、8联通和m联通三种。

• 4联通：对于具有值V的像素p和q，如果q在集合N4（p）中，则称这两个像素是4连通

• 8联通：对于具有值V的像素p和q，如果q在集合N8（p）中，则称这两个像素是8连通

• 对于具有值V的像素p和q，如果：

  1. q在集合N4（p）中，或
  2. q在集合ND（p）中，并且N4（p）和N₄(q)的集合为空（没有值V的像素）

  则称这两个像素是m连通的，即4连通和D连通的混合连通。

  

2 形态学操作

形态学转换是基于图像形状的一些简单操作。它通常在二进制图像上执行。腐蚀和膨胀是两个基本的形态学运算符。然后它的变体形式如开运算，闭运算，礼帽黑帽等。

2.1 腐蚀和膨胀

腐蚀和膨胀时最基本的形态学操作，腐蚀和膨胀都是针对白色部分（高亮部分）而言的。

膨胀就是使图像中高亮部分扩张，效果图拥有比原图更大的高亮区域；腐蚀是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域。膨胀是求局部最大值的操作，腐蚀是求局部最小值的操作。

1. 腐蚀

   具体操作是：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为1，则该像素为1，否则为0。如下图所示，结构A被结构B腐蚀后：（下图中最上面的方格是错误的！！！）
   

   腐蚀的作用是消除物体边界点，使目标缩小，可以消除小于结构元素的噪声点。

   API：

   cv.erode(img,kernel,iterations)
   

   参数：

   • img：要处理的图像
   • kernel：核结构
   • iterations：腐蚀的次数，默认为1

2. 膨胀

   具体操作是：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为0，则该像素为0，否则为1.如下图所示，结构A被结构B腐蚀后：

   

   作用是将与物体接触的所有背景点合并到物体中，使目标增大，可添补目标中的孔洞。

   API：

   cv.dilate(img,kernel,iterations)
   

   参数：

   • img：要处理的图像
   • kernel：核结构
   • iterations：腐蚀的次数，默认为1

   1. 示例

      使用一个5*5的卷积核实现腐蚀和膨胀的运算：

      import numpy as np
      import cv2 as cv
      import matplotlib.pyplot as plt
      
      # 1 读取图像
      img = cv.imread("D:\Projects notes\opencv\image\letter.png")
      # 2 创建核结构
      kernel = np.ones((5, 5), np.uint8)
      # 3 图像腐蚀和膨胀
      erosion = cv.erode(img, kernel)        # 腐蚀
      dilate = cv.dilate(img, kernel)        # 膨胀
      # 4 图像展示
      fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(10, 8), dpi=100)
      axes[0].imshow(img)
      axes[0].set_title("原图")
      axes[1].imshow(erosion)
      axes[1].set_title("腐蚀后的结构")
      axes[2].imshow(dilate)
      axes[2].set_title("膨胀后的图像")
      plt.show()
      

2.2 开闭运算

开运算和闭运算是将腐蚀和膨胀按照一定的次序进行处理。但这两者并不是可逆的，即先开后闭并不能得到原来的图像。

1. 开运算

   开运算使先腐蚀后膨胀，其作用是：分离物体，消除小区域。

   特点：下厨早点，去除小的干扰快，而不影响原来的图像。

   

2. 闭运算

   闭运算与开运算相反，是先膨胀后腐蚀，作用是“消除/闭合”物体里面的孔洞。

   特点：可以填充闭合区域

   

3. API

   cv.morphologyEx(img, op, kernel)
   

   参数：

   • img：要处理的图像
   • op：处理方式：若进行开运算，则设为cv.MORPH_OPEN，若进行闭运算，则设为cv.MORPH_CLOSE
   • kernel：核结构

4. 示例

   使用10*10的核结构对卷积进行开闭运算的实现

   import numpy as np
   import cv2 as cv
   import matplotlib.pyplot as plt
   
   # 1 读取图像
   img1 = cv.imread("D:\Projects notes\opencv\image\letteropen.png")
   img2 = cv.imread("D:\Projects notes\opencv\image\letterclose.png")
   # 2 创建核结构
   kernel = np.ones((10, 10), np.uint8)
   # 3 图像的开闭运算
   cvopen = cv.morphologyEx(img1, cv.MORPH_OPEN, kernel)        # 开运算
   cvclose = cv.morphologyEx(img2, cv.MORPH_CLOSE, kernel)      # 闭运算
   # 4 图像显示
   fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8), dpi=100)
   plt.rcParams['font.sans-serif'] = ['SimHei']    # 用来正常显示中文
   axes[0, 0].imshow(img1)
   axes[0, 0].set_title("原图")
   axes[0, 1].imshow(cvopen)
   axes[0, 1].set_title("开运算结果")
   axes[1, 0].imshow(img2)
   axes[1, 0].set_title("原图")
   axes[1, 1].imshow(cvclose)
   axes[1, 1].set_tit
   le("闭运算结果")
   plt.show()
   

   

2.3 礼帽和黑帽

1. 礼帽运算

   原图像与“开运算”的结果图之差，如下式计算：
   $$dst=tophat(src,element)=src-open(src,element)$$
   因为开运算带来的结果是放大了裂缝或者局部低亮度的区域，因此，从原图中减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域，且这一操作和选择的核的大小相关。

   礼帽运算用来分离比临近点亮一些的斑块，当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。

2. 黑帽运算

   为“闭运算”的结果图与原图像之差。数学表达式为：
   $$dst=bl$$