机器视觉——OpenCV案例分析基础（六）（基于图像处理的数学形态学）

一、理论分析

图像的形态学包括图像腐蚀、图像膨胀、图像的开运算、图像的闭运算、图像的梯度、礼帽运算、黑帽运算。而形态学转换中主要针对的是二值图像。它需要两个输入对象。

1. 二值图像
2. 卷积核

二、代码分析

2.1 图像腐蚀

顾名思义，图像腐蚀会导致图像会变小。扫描图像的每个像素点，每个像素点对应一个卷积核，如果这个卷积核的值都为1，那么该像素点值为1，否则为0。

from cv2 import cv2 as cv
import numpy as np

img = cv.imread(r'./CV-Pictures/spider2.png')
# img = np.zeros((600,600),np.uint8)
# cv.circle(img,(300,300),120,(255,255,255),-1)
# kernel = np.ones((55,55),np.uint8)
kernel = cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5)) #结构内核椭圆
# kernel = cv.getStructuringElement(cv.MORPH_RECT,(55,55)) #矩形
# kernel = cv.getStructuringElement(cv.MORPH_CROSS,(5,75)) #十字架
erode_img = cv.erode(img,kernel,iterations=1) #图像腐蚀函数，iteration代表迭代次数
pic = np.hstack([img,erode_img])
cv.imshow("erode_img",pic)
cv.waitKey(0)
cv.destroyAllWindows()

代码运行结果如下：

2.2 图像膨胀

from cv2 import cv2 as cv
import numpy as np

# img = cv.imread(r"./CV-Pictures/dilation.bmp")
# cv.imshow("img",img)
# kernel = cv.getStructuringElement(cv.MORPH_RECT,(15,15))
# dilate_img = cv.dilate(img,kernel)
# cv.imshow("dilate_img",dilate_img)
img = np.zeros((600,600),np.uint8) #新建画板，大小600*600，黑色
cv.circle(img,(300,300),120,(255,255,255),-1) #画圆，圆心为300，300，半径120，颜色白色，实心圆
cv.rectangle(img,(50,50),(180,120),(255,255,255),-1) #画矩形，左下角50，50，右上角180，120.白色，实心圆。

kernel = cv.getStructuringElement(cv.MORPH_RECT,(90,90)) #核为矩形90*90
# kernel = cv.getStructuringElement(cv.MORPH_ELLIPSE,(60,60))
dilate_img = cv.dilate(img,kernel) #图像膨胀函数
pic = np.hstack([img,dilate_img]) #矩阵水平相连
cv.imshow("dilate_img",pic)
cv.waitKey(0)
cv.destroyAllWindows()

2.3 图像的开运算

通俗来讲就是去毛细，即把蜘蛛腿去掉。过程可以理解为先腐蚀后膨胀。

from cv2 import cv2 as cv
import numpy as np
#去毛细 先腐蚀后膨胀 erode dilate
img = cv.imread(r"./CV-Pictures/opening.bmp")
kernel = np.ones((9,9),np.uint8)
open_img = cv.morphologyEx(img,cv.MORPH_OPEN,kernel)
cv.imshow("img",img)
cv.imshow("open_img",open_img)
cv.waitKey(0)
cv.destroyAllWindows()

运行结果如下：


可以看到，图像经过腐蚀后，本来的毛细被去除，同时图形的形状也窄了一圈，然后经过图像的膨胀后，图像的形状又基本与原来的形状保持一致，从而达到了去除图形毛细的效果。开运算，可以理解为，图形最后打开，即膨胀，也记为先腐蚀后膨胀。

2.4 图像的闭运算

通俗来讲就是去小孔 即先膨胀，后腐蚀。

#去小孔 先膨胀，后腐蚀
from cv2 import cv2 as cv
import numpy as np

img = cv.imread(r"./CV-Pictures/closing.bmp")
kernel = np.ones((11,11),np.uint8)
close_img = cv.morphologyEx(img,cv.MORPH_CLOSE,kernel)
cv.imshow("img",img)
cv.imshow("close_img",close_img)
cv.waitKey(0)
cv.destroyAllWindows()

运行结果如下：
可以看到图像经过闭运算后，图像的小孔基本被去除。具体做法是图像先经过膨胀后，去除小孔。但是同时图像会大了一圈。然后经过图像的腐蚀，图像的形状有基本与全图保持一致，从而实现了，去除图像的小孔。

2.5 图像的梯度

图像的梯度，顾名思义梯度公式为$▽f=\frac{f(x+△x)-f(x)}{△x}$做的是减法。

#空心 膨胀-腐蚀
from cv2 import cv2 as cv
import numpy as np

img = cv.imread(r"./CV-Pictures/044.jpg")
kernel = np.ones((11,11),np.uint8)
grad_img = cv.morphologyEx(img,cv.MORPH_GRADIENT,kernel)
cv.imshow("img",img)
cv.imshow("grad_img",grad_img)
cv.waitKey(0)
cv.destroyAllWindows()

运行结果如下：
可以看到图像经过梯度运算后，获得的图像是形状的边缘，运算过程是先计做出膨胀的图像，然后做出腐蚀的图像。然后用膨胀的图像减去腐蚀的图像。即可获得一个空心的图像。

2.6 礼帽运算

礼帽运算的基本原则是获得蜘蛛图像的被腐蚀的部分。也就是说原图减去开运算图像。获得图像的毛细特征。

from cv2 import cv2 as cv
import numpy as np

img = cv.imread(r"./CV-Pictures/spider.png")
#img = cv.imread("CV-Pictures/036.jpg")
kernel = np.ones((11,11),np.uint8)
tophat_img = cv.morphologyEx(img,cv.MORPH_TOPHAT,kernel)
pic = np.hstack([img,tophat_img])
cv.imshow("tophat_img",pic)
cv.waitKey(0)
cv.destroyAllWindows()

代码运行结果

2.7 黑帽运算

黑帽运算的基本原则是获得去掉的小圆圈，也就是说闭运算图像减去原始图像。获得图像的小圆圈特征。

#取空的 填空的（闭运算）-原始
from cv2 import cv2 as cv
import numpy as np

img = cv.imread(r"./CV-Pictures/blackhat.bmp")
# img = cv.imread("CV-Pictures/036.jpg")
kernel = np.ones((11,11),np.uint8)
blackhat_img = cv.morphologyEx(img,cv.MORPH_BLACKHAT,kernel)
pic = np.hstack([img,blackhat_img])
cv.imshow("blackhat_img",pic)
cv.waitKey(0)
cv.destroyAllWindows()

代码运行结果：

三、代码文件

小程序员将代码文件和相关素材整理到了百度网盘里，因为文件大小基本不大，大家也不用担心限速问题。后期小程序员有能力的话，将在gitee或者github上上传相关素材。
链接：https://pan.baidu.com/s/1Ce14ZQYEYWJxhpNEP1ERhg?pwd=7mvf
提取码：7mvf