OpenCV-Python学习之路-9：Morphological Transformations(形态学转换)

参考依据

官方文档：https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_morphological_ops/py_morphological_ops.html#morphological-ops

目标

1. 学习到不同的形态学操作，例如腐蚀、膨胀、Opening、Closing等等
2. 掌握不同的函数：cv2.erode(),cv2.dilate(),cv2.morphologyEx()等等

形态学转换

Morphology transformations就是基于图像本身的一些形态特征来做的一些操作，（通常为二值化图像）。通常需要两个输入，一个是原始image，另一个叫做structuring element或者kernel，其决定了操作的类型。两个最基本的操作就是腐蚀（Erosion）和膨胀（Dilation），还有一些变种：Opening、Closing以及Gradient。

1. Erosion 腐蚀

腐蚀就是类似于对土地边界（前景）的侵蚀，二值化时通常将前景设置为白色1，背景为黑0。Kernel从整张图片上滑动，如果kernel中所有像素值都为1，那么对应的像素才为1，反之为0。所以，图像边界的像素会被腐蚀掉，所以前景物体的会变薄变小，这对于分离粘连对象、消除噪声都是很有效的。

img = cv2.imread('j.png', 0)
kernel = np.ones((3,3), np.uint8)
img_erosion = cv2.erode(img, kernel,iterations=1)	# iterations表示实施腐蚀的次数
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.subplot(122), plt.imshow(img_erosion, cmap='gray')
plt.show()

2. Dilation 膨胀

膨胀与腐蚀正好相反，Kernel从整张图片上滑动，如果kernel中所有像素值只要有一个为1，那么对应的像素就为1。这样会增加前景物体的厚度，通常是使用腐蚀消除了图像中的噪音再使用膨胀。也可以用于连接对象的损坏部分。

img_dilation = cv2.dilate(img, kernel, iterations=2)
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.subplot(122), plt.imshow(img_dilation, cmap='gray')
plt.show()

3. Opening

Opening完成的任务就是刚刚说的“先腐蚀在膨胀”的操作，用来移除噪声，使用 cv2.morphologyEx() 函数实现。

img_opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=1) 
# cv2.MORPH_OPEN表示Opening操作

P.s 图片来自参考链接

4. Closing

Closing与Opening恰恰相反，进行“先膨胀再腐蚀”的操作，这样可以消除前景中的空洞及小黑点。

img_close = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=1)

p.s 图片来自参考链接

5. Morphological Gradient

不同于腐蚀和膨胀，这个操作得到的结果类似于物体的轮廓。

img_gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)

6. Top Hat

这个是找到原始image与i执行过opening操作后的image之间的差别。

# 为了更好地观测结果，kernel设为7x7
kernel = np.ones((7,7), dtype=np.uint8)
img_open = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
img_tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
plt.subplot(131), plt.imshow(img, cmap='gray')
plt.subplot(132), plt.imshow(img_open, cmap='gray')
plt.subplot(133), plt.imshow(img_tophat, cmap='gray')
plt.show()

7. Black Hat

找到原始image与i执行过closing操作后的image之间的差别。

# 为了更好地观测结果，kernel设为7x7
kernel = np.ones((7,7), dtype=np.uint8)
img_close = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
img_blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
plt.subplot(131), plt.imshow(img, cmap='gray')
plt.subplot(132), plt.imshow(img_close, cmap='gray')
plt.subplot(133), plt.imshow(img_blackhat, cmap='gray')
plt.show()

Structuring Element 构造元素

上面的例子都是直接使用numpy构建的全1矩阵，很多时候，可能需要的kernel是圆形或者椭圆之类的，OpenCV给我们提供了一个很好的接口，cv2.getStructuringElement()，传入kernel的形状类型和大小就能得到对应的kernel。

# 矩形kernel
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
kernel
>> array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=uint8)
     
# 椭圆kernel
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
kernel
>> array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)
# 十字kernel
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5,5))
kernel
>> array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)