opencv-python：15_形态学处理【一】（腐蚀、膨胀、结构元素、cv2.erode()，cv2.dilate()，cv2.getStructuringElement()）

形态学处理【一】

• 形态学概念，腐蚀，膨胀
• 相关函数有：cv2.erode()，cv2.dilate()，cv2.getStructuringElement()

一、形态学

• 形态学(morphology)常应用在生物学中，研究动植物的形态和结构；

• 图像形态学即数学形态学(Mathematical morphology)是一门建立在格伦和拓扑学基础上的图像分析学科，是数学形态学图像处理的基本理论；

• 常见图像形态学运算：腐蚀、膨胀、开运算、闭运算、骨架抽取、极线腐蚀、击中击不中变换、Top-hat变换、颗粒分析、流域变换、形态学梯度等；

膨胀和腐蚀概念

• 最基本的形态学操作是：膨胀(dilation)和腐蚀（erosion）；

• 形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数，一个是原始图像，第二个被称为结构化元素或核，它是用来决定操作的性质的。

• 形态学操作其实就是改变物体的形状，比如腐蚀就是”变瘦”，膨胀就是”变胖”。

• 腐蚀和膨胀是对像素值大的部分而言的，即高亮白部分而不是黑色部分；

• 膨胀就是图像中的高亮部分进行膨胀，效果图拥有比原图更大的高亮区域。

• 腐蚀就是原图中的高亮部分被腐蚀，效果图拥有比原图更小的高亮区域。

膨胀和腐蚀的主要用途：

• 消除噪声；

• 分割出独立的图像元素，在图像中连接相邻的元素；

• 寻找图像中明显的极大值或极小值区；

• 求出图像的梯度；

二、结构元素

• 膨胀或者腐蚀操作可以看做 将图像（或图像的一部分区域，我们称之为A）与核（我们称之为B）进行卷积。

• 核可以是任何的形状和大小，它拥有一个单独定义出来的参考点，我们称其为锚点（anchorpoint）。多数情况下，核是一个小的中间带有参考点和实心正方形或者圆盘，其实，我们可以把核视为模板或者掩码。

• 这个核也叫结构元素，因为形态学操作其实也是应用卷积来实现的。结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素，比如：
  

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 矩形结构
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 椭圆结构
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5)) # 十字结构

三、腐蚀

• 就像土壤侵蚀一样，这个操作会把前景物体的边界腐蚀掉（但是前景仍然是白色）。这是怎么做到的呢？卷积核沿着图像滑动，如果与卷积核对应的原图像的所有像素值都是 1，那么中心元素就保持原来的像素值，否则就变为零。 这回产生什么影响呢？根据卷积核的大小靠近前景的所有像素都会被腐蚀掉（变为 0），所以前景物体会变小，整幅图像的白色区域会减少。这对于去除白噪声很有用，也可以用来断开两个连在一块的物体等。

• 腐蚀是图像中的高亮部分被腐蚀掉，效果图拥有比原图更小的高亮区域；

• 腐蚀可以简单理解为消除物体A所有边界点的过程。
  

OpenCV中用cv2.erode()函数进行腐蚀，只需要指定核的大小就行：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('tiger.jpg',1)

# 通过numpy构建矩形结构元素
kernel = np.ones((10,10),np.uint8)

# cv2.getStructuringElement()来生成不同形状的结构元素
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (10, 10)) # 矩形结构
kernel2 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (10, 10)) # 椭圆结构
kernel3 = cv2.getStructuringElement(cv2.MORPH_CROSS, (10, 10)) # 十字结构


# 腐蚀
erosion = cv2.erode(img,kernel,iterations = 1)
erosion1 = cv2.erode(img,kernel1,iterations = 1)
erosion2 = cv2.erode(img,kernel2,iterations = 1)
erosion3 = cv2.erode(img,kernel3,iterations = 1)


# 显示图像
plt.figure(figsize = (20,15))
plt.subplot(151),plt.imshow(img),plt.title('Original'),plt.xticks([]), plt.yticks([])
plt.subplot(152),plt.imshow(erosion),plt.title('ones'),plt.xticks([]), plt.yticks([])
plt.subplot(153),plt.imshow(erosion1),plt.title('RECT'),plt.xticks([]), plt.yticks([])
plt.subplot(154),plt.imshow(erosion2),plt.title('ELLIPSE'),plt.xticks([]), plt.yticks([])
plt.subplot(155),plt.imshow(erosion3),plt.title('CROSS'),plt.xticks([]), plt.yticks([])
plt.show()

四、膨胀

与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是 1，中心元素的像素值就是 1。所以这个操作会增加图像中的白色区域（前景）。一般在去噪声时先用腐蚀再用膨胀。因为腐蚀在去掉白噪声的同时，也会使前景对象变小。所以我们再对他进行膨胀。这时噪声已经被去除了，不会再回来了，但前景还在并会增加。膨胀也可以用来连接两个分开的物体。

膨胀是图像中的高亮部分进行膨胀，效果图拥有比原图更大的高亮区域；

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('tiger.jpg',1)

# 通过numpy构建矩形结构元素
kernel = np.ones((10,10),np.uint8)

# cv2.getStructuringElement()来生成不同形状的结构元素
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (10, 10)) # 矩形结构
kernel2 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (10, 10)) # 椭圆结构
kernel3 = cv2.getStructuringElement(cv2.MORPH_CROSS, (10, 10)) # 十字结构


# 腐蚀
dilation = cv2.dilate(img,kernel,iterations = 1)
dilation1 = cv2.dilate(img,kernel1,iterations = 1)
dilation2 = cv2.dilate(img,kernel2,iterations = 1)
dilation3 = cv2.dilate(img,kernel3,iterations = 1)


# 显示图像
plt.figure(figsize = (20, 15))
plt.subplot(151),plt.imshow(img),plt.title('Original'),plt.xticks([]), plt.yticks([])
plt.subplot(152),plt.imshow(dilation),plt.title('ones'),plt.xticks([]), plt.yticks([])
plt.subplot(153),plt.imshow(dilation1),plt.title('RECT'),plt.xticks([]), plt.yticks([])
plt.subplot(154),plt.imshow(dilation2),plt.title('ELLIPSE'),plt.xticks([]), plt.yticks([])
plt.subplot(155),plt.imshow(dilation3),plt.title('CROSS'),plt.xticks([]), plt.yticks([])
plt.show()

参考

• https://zhuanlan.zhihu.com/p/60770435?utm_source=wechat_session&utm_medium=social&utm_oi=825629365701332992
• https://blog.csdn.net/qq_40855366/article/details/81177174
• https://www.jianshu.com/p/fc07d3065cf1
• https://blog.csdn.net/fishmemory/article/details/53113746