【OpenCV图像处理7】形态学

七、形态学

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的相应形状或特征，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。
• 形态学常用的基本操作有：
  • 膨胀和腐蚀
  • 开运算
  • 闭运算
  • 顶帽
  • 黑帽

2、图像全局二值化

二值化：将图像中的每个像素变成两种值，比如0，255

threshold()用法：

cv2.threshold(src, thresh, maxval, type, dst)

参数说明：

• src：最好是灰度图
• thresh：阈值
• maxval：最大值（不一定是255）
• type：操作类型，常见的操作类型如下：

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/dog_1.bmp')

# 二值化对灰度图像操作
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# threshold() 返回两个值 一个是阈值 一个是处理后图像
ret, dst = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

cv2.imshow('dog', np.hstack((gray, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

3、自适应阈值二值化

在前面的部分我们使用的是全局阈值，整幅图像采用同一个数作为阈值。但是这种方法并不适用于所有情况，尤其是当同一幅图像上的不同部分具有不同亮度时。

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出与其对应的阈值。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()用法：

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst)

参数说明：

• adaptiveMethod：指定计算阈值的方法
  • cv2.ADAPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：阈值取自相邻区域的加权和，权重为一个高斯窗口。
• blockSize：邻域大小（用来计算阈值的区域大小）
• C：常数，阈值就等于平均值或者加权平均值减去这个常数

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/dog_1.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 自适应阈值二值化，只有一个返回值
dst = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 0)

cv2.imshow('dog', np.hstack((gray, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

4、腐蚀操作

腐蚀操作也是用卷积核扫描图像，只不过腐蚀操作的卷积核一般都是1，如果卷积核内所有像素点都是白色，那么锚点即为白色。

大部分时候，腐蚀操作使用的都是全为1的卷积核。

erode()用法：

cv2.erode(src, kernel, dst, anchor, iterations, borderType, borderValue)

参数说明：

• iterations：腐蚀操作的迭代次数，次数越多，腐蚀操作执行的次数越多，腐蚀效果越明显。

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint.png')

kernel = np.ones((3, 3), np.uint8)
dst = cv2.erode(img, kernel, iterations=1)

cv2.imshow('OpenCV', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

5、获取形态学卷积核

OpenCV提供了获取卷积核的API，不需要我们手动创建卷积核。

getStructuringElement()用法：

cv2.getStructuringElement(shape, ksize, anchor)

参数说明：

• shape：卷积核的形状，注意不是指长宽，而是指卷积核中1形成的形状。
  • MORPH_RECT：卷积核中的1是矩形（常用）
  • MORPH_ELLIPSE：椭圆
  • MORPH_CROSS：十字

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint_1.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

dst = cv2.erode(img, kernel, iterations=2)

cv2.imshow('dog', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6、膨胀操作

膨胀是腐蚀的相反操作，基本原理：只要保证卷积核的锚点是非0值，周边无论是0还是非0值，都变成非0值。

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint_1.png')
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

dst = cv2.dilate(img, kernel, iterations=2)

cv2.imshow('dog', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

7、腐蚀 and 膨胀

import cv2
import numpy as np

img = cv2.imread('../resource/paint.png')

# 定义卷积核
kernel = np.ones((5, 5), np.uint8)

# 腐蚀
dst = cv2.erode(img, kernel, iterations=1)

# 膨胀
dst = cv2.dilate(dst, kernel, iterations=1)

cv2.imshow('OpenCV', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

8、开运算

开运算和闭运算都是腐蚀和膨胀的基本应用。

开运算 = 腐蚀 + 膨胀

morphologyEx()用法：

cv2.morphologyEx(src, op, kernel, dst, anchor, iterations, borderType, borderValue)

参数说明：

• op：表示形态学的开运算（MORPH_OPEN）。

• kernel：如果噪点比较多，会选择大一点的kernel；反之选择小一点的kernel。

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint.png')

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 腐蚀
# dst = cv2.erode(img, kernel, iterations=1)
# 膨胀
# dst = cv2.dilate(dst, kernel, iterations=1)

dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=1)

cv2.imshow('OpenCV', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

9、闭运算

闭运算 = 膨胀 + 腐蚀

morphologyEx()用法：

cv2.morphologyEx(src, op, kernel, dst, anchor, iterations, borderType, borderValue)

参数说明：

• op：表示形态学的闭运算（MORPH_CLOSE）。

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint_2.png')

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=2)

cv2.imshow('OpenCV', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

10、形态学梯度

cv2.MORPH_GRADIENT

梯度 = 原图 - 腐蚀

腐蚀之后原图像边缘变小了，原图 - 腐蚀 就可以得到腐蚀掉的部分，即边缘。

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint_1.png')

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)

cv2.imshow('OpenCV', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

11、顶帽操作

cv2.MORPH_TOPHAT

顶帽 = 原图 - 开运算

开运算的效果是去除图像外的噪点，原图 - 开运算 就得到了去掉的噪点。

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint.png')

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=1)

cv2.imshow('OpenCV', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

12、黑帽操作

cv2.MORPH_BLACKHAT

黑帽 = 原图 - 闭运算

闭运算可以将图像内部的噪点去除，那么原图 - 闭运算 的结果就是图像内部的噪点。

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint_2.png')

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel, iterations=1)

cv2.imshow('OpenCV', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

内部的噪点去除，那么原图 - 闭运算 的结果就是图像内部的噪点。

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/paint_2.png')

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel, iterations=1)

cv2.imshow('OpenCV', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()