图像的形态学：形态学梯度与顶底帽变换

 图像的形态学操作：形态学梯度与顶底帽变换

形态学梯度

这种方法其实就是膨胀操作与腐蚀操作的差，便于寻找对象的轮廓。针对一些简单的二值图，或者灰度图可能比较好的提取其边缘，但如果当成一个边缘检测的方法，效果却不会很好。

针对二值图与灰度图效果如下：

 

而针对彩色图，我们分别以10*10与50*50的两个核来进行操作，其效果如下：

可以发现：鸟的轮廓、后面山的轮廓以及气泡与一些水面上的小沙粒都显现的比较明显，而如果核再变大一些，轮廓线就会相应的变粗，这点从其是膨胀操作与腐蚀操作的差即可看出。

---

顶帽变换

原图像与开操作对象的差。当我们在处理一张图片的时候（例如提取眼底彩照的血管等信息），很多情况需要对这张图片进行一定的预处理，而通常我们就会用顶帽或者底帽变换。

顶帽变换用于凸显暗背景上的亮物体。

对二值图来说，进行顶帽变换或之后底帽变换看起来就像是加一个阴影，有一种立体的效果。

 

而回到我们的彩图上，分别用两种不同大小的核来做，就是如下美如画的效果：

---

底帽变换

闭操作与原图像的差值。底帽变换用于凸显用于凸显亮背景上的暗物体。

二值图效果如下，与顶帽变换相比，就是一个方向相反的阴影：

 

而底帽变换回到我们的彩图上，同样分别用两种不同大小的核来做，效果如下：

这些都是要针对实际的问题来进行操作的。最后我们来总结一下前面所提到的一系列形态学操作。

---

Python代码实现

# 开运算
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

# 闭运算
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

# 形态学梯度
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

# 顶帽变换
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

# 底帽变换
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

---

形态学操作总结

下表中，XX表示原图，KK表示用于进行相关操作的核。

操作	公式	性质
膨胀	X⊕K={x|K+x∪x≠∅}X⊕K={x|K+x∪x≠∅}	扩张XX的边界
腐蚀	X⊖K={x|K+x⊆X}X⊖K={x|K+x⊆X}	收缩XX的边界
形态学梯度	G(X)=X⊕K−X⊖KG(X)=X⊕K−X⊖K	保留物体的边缘轮廓
开运算	X∘K=(X⊖K)⊕KX∘K=(X⊖K)⊕K	平滑轮廓，切断狭窄区域，并消除小的孤岛和尖刺
闭运算	X∙K=(X⊕K)⊖KX∙K=(X⊕K)⊖K	平滑轮廓
顶帽变换	That(X)=X−(X∘K)That(X)=X−(X∘K)	用于凸显暗背景上的亮物体
底帽变换	Bhat(X)=(X∙K)−XBhat(X)=(X∙K)−X	用于凸显亮背景上的暗物体