图像形态学处理

膨胀与腐蚀

主要功能：

• 消除噪声
• 分割（isolate)出独立的图像元素，在图像中连接相邻的元素
• 寻找图像中明显的极大值或极小值区域
• 求出图像的梯度

在进行腐蚀和膨胀的讲解之前，首先需要注意，
腐蚀和膨胀是对白色部分(高亮部分)而言的，不是黑色部分。
膨胀就是图像中的高亮部分进行膨胀，“领域扩张”，效果图拥有比原图更大的高亮区域。
腐蚀就是原图中的高亮部分被腐蚀，“领域被蚕食"，效果图拥有比原图更小的高亮区域。

形态学——腐蚀操作

img=cv2.imread(r"fushi.jpg")
#2.图像显示
cv2.imshow(‘image’,img)
#等待时间，ms级，0表示任意键终止
cv2.waitKey(0)
cv2.destroyAllWindows()

---

图像观察
黑白两色，1，255. 二值

腐蚀操作
腐蚀是最基本的形态学操作之一，
它能够将图像的边界点消除，使图像沿着边界向内收缩，
也可以将小于指定结构体元素的部分去除。
腐蚀用来”收缩"或者"细化"二值图像中的前景，借此实现去除噪声、元素分割等功能。

在腐蚀过程中，通常使用一个结构元来逐个像素地扫描要被腐蚀的图像，并根据结构元和被腐蚀图像的关系来确定腐蚀结果。

语法格式

dst = cv2.erode(src,kernel,iterations = 1)

• dst是腐蚀后所输出的目标图像，该图像和原始图像具有同样的类型和大小。
• src是需要进行腐蚀的原始图像，图像的通道数可以是任意的。
  但是要求图像的深度必须是cV_8u、CV_16U、CV_16S、CV_32F、CV_64F中的一种。
• kernel代表腐蚀操作时所采用的结构类型。它可以自定义生成，也可以通过函数
  cv2.getStructuringElement()生成。

kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)#iterations = 1迭代次数

cv2.imshow('erosion',erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

比较前后图：（进行了收缩和细化）

1. 毛刺没有了
2. 线条变细了

---

pie = cv2.imread(‘pie.png’)
#2.图像显示
cv2.imshow(‘pie’,pie)
#等待时间，ms级，0表示任意键终止
cv2.waitKey(0)
cv2.destroyAllWindows()

改变迭代次数，比较不同迭代次数后图像变化

#改变迭代次数，比较不同迭代次数后图像变化
kernel = np.ones((30,30),np.uint8)
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

形态学——膨胀操作

按数学方面来说，膨胀或者腐蚀操作就是将图像(或图像的一部分区域，我们称之为A)与核(我们称之为B)进行卷积。
核可以是任何的形状和大小，它拥有一个单独定义出来的参考点，我们称其为锚点(anchorpoint)。
多数情况下，核是一个小的中间带有参考点和实心正方形或者圆盘，其实，我们可以把核视为模板或者掩码。

而膨胀就是求局部最大值的操作，核B与图形卷积，
即计算核B覆盖的区域（体现局部）的像素点的最大值，
并把这个最大值赋值给参考点指定的像素。这样就会使图像中的高亮区域逐渐增长。

---

语法格式

dst = cv2.dilate(src,kernel,iterations = 1)

• dst是膨胀后所输出的目标图像，该图像和原始图像具有同样的类型和大小。
• src是需要进行膨胀的原始图像，图像的通道数可以是任意的。
  但是要求图像的深度必须是cV_8u、CV_16U、CV_16S、CV_32F、CV_64F中的一种。
• kernel代表腐蚀操作时所采用的结构类型。

#膨胀操作
#改变迭代次数，比较不同迭代次数后图像变化
kernel = np.ones((30,30),np.uint8)
dilate_1 = cv2.dilate(pie,kernel,iterations = 1)
dilate_2 = cv2.dilate(pie,kernel,iterations = 2)
dilate_3 = cv2.dilate(pie,kernel,iterations = 3)
res = np.hstack((dilate_1,dilate_2,dilate_3))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

开运算和闭运算

开运算——相当于先腐蚀，再膨胀

# 开，先腐蚀，再膨胀
img = cv2.imread("fushi.jpg")

kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)

cv2.imshow('opening',opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

闭运算——相当于先膨胀，再腐蚀

# 闭 先膨胀，再腐蚀
img = cv2.imread("fushi.jpg")

kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

cv2.imshow('closing',closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

梯度运算

梯度 = 膨胀 - 腐蚀

对比膨胀和腐蚀的图像

# 梯度 = 膨胀 - 腐蚀
pie = cv2.imread("pie.png")
kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)
res = np.hstack((dilate,erosion))

cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

进行梯度运算后：

# 梯度运算
gradient = cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel)

cv2.imshow('gradient',gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

礼帽与黑帽

• 礼帽 = 原始输入-开运算结果
• 黑帽 = 闭运算-原始输入

---

礼帽

# 礼帽
img = cv2.imread("fushi.jpg")

kernel = np.ones((5,5),np.uint8)
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)

cv2.imshow('tophat',tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

黑帽

# 黑帽
img = cv2.imread("fushi.jpg")

kernel = np.ones((10,10),np.uint8)#（5，5）看不出来
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)

cv2.imshow('blackhat',blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()