9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度、形态平滑、高帽变换、低帽变换)

9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度、形态平滑、高帽变换、低帽变换)

1 算法原理

1.1 形态学梯度

形态学梯度，膨胀图与腐蚀图之差，用于保留目标物体的边缘轮廓。形态学梯度操作能描述图像亮度变化的剧烈程度；当我们想要突出高亮区域的外围时，则可以选用形态学梯度来突出边缘，可以保留物体的边缘轮廓。 形态学梯度的应用，如下图所示，可以看出，利用形态学梯度，可以很好地区分图像不同区域的灰度变化，所以，在图像分割领域，形态学梯度有很好的应用。公式（K是卷积核，F是待处理灰度图）：

1.2 形态平滑

形态平滑，使用开运算和闭运算做形态平滑，循环执行开运算-闭运算-开运算操作，交替顺序，不断增大的结构元素来执行开-闭滤波。利用形态学开运算和闭运算可以实现图像的形态学平滑（也可以称之为图像除噪）处理，想象一下，假如有一块高低不平的田地，为了使这块平整这块土地，你需要挖掉高处的土，填到田地的低洼处，而闭运算就相当于挖掉高处的土，开运算就相当于将在高处挖掉的图填至低处。所以，按照这个原理，利用开运算和闭运算就可以实现图像的平滑，

本次算法设计采用了 10 次开-闭运算操作。

利用开运算和闭运算实现的形态学平滑，具有计算量大，复杂度较高等缺点，俄日了应对这一问题，可以直接使用膨胀和腐蚀来实现这一运算，其实现公式如下所示：

1.3 高帽变换（顶帽）

高帽变换（顶帽），是原图与原图的开运算的差值图像。开运算放大了裂缝或者局部低亮度的区域，所以，从原图中减去开运算后的图，得到的结果突出了比原图轮廓周围的区域更明亮的区域，这个操作与选择的核的大小有关。TopHat 运算一般用来分离比邻近点亮一些的斑块，可以使用这个运算提取背景。

Top-hat Transform算法在中文里被称为“高帽算法”，简称为TT，Top-hat算法。提取不光滑背景中的图像特征时，Top-hat算法是一种非常有效的工具。按照Top-hat算法的实现方式，TT算法可以分为以下两类：

1.4 低帽运算（黑帽）

低帽运算（黑帽），是闭运算结果与原图的差值图像。黑帽运算的结果突出了比原图轮廓周围区域更暗的区域，所以黑帽运算用来分离比邻近点暗一些的斑块。

Open-cv 中的 morphologyEx()函数可以用来执行灰度形态学的形态梯度、高帽变换、低帽变换等操作，本次算法设计用到的参数有：

MORPH_OPEN：开运算（Opening operation）；

MORPH_CLOSE：闭运算（Closing operation）；

MORPH_GRADIENT：形态学梯度：（Morphological gradient）；

MORPH_TOPHAT：“顶帽”（“Top hat”）；

MORPH_BLACKHAT ：“黑帽”（“Black hat“）。

2 代码

运行代码说明

1.要改变代码中的图片地址（地址不能有中文）

更改put(path)函数中的路径put(r'../image/image1.jpg')

2.注意最后的plt.savefig('1.new.jpg')是保存plt图像，如果不使用可以注释掉

代码依赖包：

matplotlib  3.4.2
numpy  1.20.3
opencv-python  4.1.2.30

# pip安装
pip install matplotlib numpy opencv-python

import numpy as np
import cv2
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

def put(path):
    # 读取图片
    img = cv2.imread(path, 0)

    # 设置核
    kernel = np.ones((5, 5), np.uint8)
    kernel2 = np.ones((55, 55), np.uint8)

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

    # 形态平滑
    # 使用开运算和闭运算做形态学平滑
    # 10次交替开闭运算得到形态平滑结果
    fasf = img.copy()  # 用以存放交替开闭运算的形态平滑图像
    for i in range(10):
        # 图像开运算
        fasf = cv2.morphologyEx(fasf, cv2.MORPH_OPEN, kernel)
        # 图像闭运算
        fasf = cv2.morphologyEx(fasf, cv2.MORPH_CLOSE, kernel)

    # 高帽变换
    tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel2)

    # 低帽变换
    blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel2)

    # 图像显示
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.subplot(231), plt.imshow(img, plt.cm.gray), plt.title('原始图像'), plt.axis('off')
    plt.subplot(232), plt.imshow(img, plt.cm.gray), plt.title('灰度图像'), plt.axis('off')
    plt.subplot(233), plt.imshow(gradient, plt.cm.gray), plt.title('形态梯度(5 * 5核）'), plt.axis('off')
    plt.subplot(234), plt.imshow(fasf, plt.cm.gray), plt.title('形态平滑（5*5核）'), plt.axis('off')
    plt.subplot(235), plt.imshow(tophat, plt.cm.gray), plt.title('高帽变换（55 * 55核）'), plt.axis('off')
    plt.subplot(236), plt.imshow(blackhat, plt.cm.gray), plt.title('低帽变换（55*55核）'), plt.axis('off')

    # plt.savefig('4.new-img.jpg')
    plt.show()
# 图像处理函数，要传入路径
put(r'../image/image3.jpg')

3 效果