图像的形态学

1 形态学的概率

  图像形态学就是指处理图像的形态特征，本质还是用卷积核来计算提取图像的形状或者特征。
  形态学处理的一般都是黑白像素的图片（像素为0或者255）
常见的形态学处理方式：

• 膨胀和腐蚀
• 开运算
• 闭运算
• 顶帽
• 黑帽

2 图像全局二值化

   全局二值化：将每个像素变成0or255
   cv2.threshold(src, thresh, maxval, type)：
      src:图片，最好是灰度图
     thresh：阈值，大于某个值怎么样，小于某个值怎么样
      maxval：最大值，不一定是255
      type：操作类型：
        cv2.THRESH_BINARY ：超过阈值为max
        cv2.THRESH_BINARY_INV：超过阈值为0
        cv2.THRESH_TOZERO：超过阈值不变，小于变0

import cv2
import numpy as np

img = cv2.imread('imgs/66.jpg')

# 对灰度照片进行二值化，先灰度化
gary = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化,回返回两个值：阈值+处理后的图片
# 阈值越大越黑，合理的调整
thresh, dst = cv2.threshold(gary, 120, 255, cv2.THRESH_BINARY)

cv2.imshow('二值化', np.hstack((gary, dst)))
cv2.waitKey(0)

3 自适应阈值二值化

  使用全局二值化对于图像的某些像素无法得到一个合适的阈值，通过对图片的某一块像素进行自动计算，得到相应的阈值。

• 参数说明：
     
  cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)
• adaptiveMethod计算阈值的方法：
      -cv2.ADAPTIVE_THRESH_MEAN_C：取相邻区域的平均值
      -cv2.ADAPTIVE_THRESH_GAUSSIAN_C：相邻区域进行一个加权和，高斯窗口
• blockSize：计算阈值时的邻阈大小
• C：常数：平均值or加权平均值减去这个常数

import cv2
import numpy as np

img = cv2.imread('imgs/66.jpg')

# 对灰度照片进行二值化，先灰度化
gary = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 自适应二值化
dst = cv2.adaptiveThreshold(gary,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)

cv2.imshow('自适应二值化', np.hstack((gary, dst)))
cv2.waitKey(0)

4 腐蚀操作

   腐蚀操作用卷积核扫描之后，只有覆盖的所有内容为白色才是白色，否则是黑色。

               $K$ = [ 1 1 1