六.OpenCv之形态学

6. 形态学

6.1 形态学概述

• 什么是形态学
  • 指一系列处理图像形状特征的图像处理技术
  • 形态学的基本思想是利用一种特殊的结构元(本质上就是卷积核)来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别。
  • 这些处理方法基本是对二进制图像进行处理, 即黑白图像
  • 卷积核决定着图像处理后的效果
  • 形态学常用基本操作有:
    • 膨胀和腐蚀
    • 开运算
    • 闭运算
    • 顶帽
    • 黑帽

6.2 图像全局二值化

• 二值化: 将图像的每个像素变成两种值, 比如0, 255.

• threshold(src, thresh, maxval, type[, dst])

  • src 最好是灰度图

  • thresh: 阈值

  • maxval: 最大值, 最大值不一定是255

  • type: 操作类型. 常见操作类型如下:

    

  import cv2
  import numpy as np
  
  img = cv2.imread('./dog.jpeg')
  
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  
  # 返回两个结果, 一个是阈值, 另一个是处理后的图片
  ret, dst = cv2.threshold(gray, 80, 255, cv2.THRESH_BINARY)
  
  cv2.imshow('dog', np.hstack((gray, dst)))
  
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

  

6.3 自适应阈值二值化

在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。当时这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
　　这种方法需要我们指定六个参数，返回值只有一个。

• Adaptive Method- 指定计算阈值的方法。
　　　　　　– cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
　　　　　　– cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。
　　　　• Block Size - 邻域大小（用来计算阈值的区域大小）。
　　　　• C - 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数。

# 因为光线问题, 全局二值化导致有部分地方看不见了.这时就需要自适应阈值二值化了.
import cv2
import numpy as np

img = cv2.imread('./math.png')

cv2.namedWindow('img', cv2.WINDOW_NORMAL)
cv2.resizeWindow('img', 1920, 1080)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 自适应阈值二值化只返回一个值, 即二值化后的结果
dst = cv2.adaptiveThreshold(gray<