OpenCV-图像形态学处理

所有相关接口验证demo以上传至仓库

代码地址：https://gitee.com/norep/learn-opencv

---

图像形态学

• 指一系列处理图像形状特征的图像处理技术；

• 形态学的基本思想是利用一种特殊的结构元（本质上就是卷积核）来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别；

• 这些处理方法基本是对二进制图像进行处理，即黑白图像；

• 卷积核决定着图像处理后的效果；

• 形态学常用基本操作有：

  • 膨胀与腐蚀

  • 开运算

  • 闭运算

  • 顶帽

  • 黑帽

各种形态学操作的作用

形态学操作	原理	作用
形态学开运算	腐蚀 + 膨胀	去除图形外部的噪声
形态学闭运算	膨胀 + 腐蚀	去除图形内部的噪声
形态学梯度	膨胀 - 腐蚀	图形边缘
顶帽操作	原图 - 开运算	获取图形外部的噪声
黑帽操作	原图 - 闭运算	获取图形内部的噪声

形态学卷积核

在形态学处理中，总需要一个卷积核输入处理接口，一般可以通过手动创建一个矩阵使用，但在OpenCV中有更方便的方法创建这个卷积核。
OpenCV中提供了用于图像形态学处理的卷积核生成函数，使用这个函数，只需要简单的参数，就可以自动创建一个卷积核，用于后续的形态学操作。

kernel = cv2.getStructuringElement(shape, size, anchor=None, borderType=cv2.BORDER_DEFAULT)

参数说明：

• shape：一个整数，表示结构元素的形状。

• size：一个元组 (rows, cols)，表示结构元素的大小。如果 rows 和 cols 都是 1，则表示结构元素是一个点（即单个像素）。

• anchor：一个可选的元组 (x, y)，表示结构元素锚点的坐标。默认值为 (0, 0)，即结构元素的中心。

• borderType：一个可选的整数，表示边界类型。

返回值：

• kernel：一个 NumPy 数组，表示创建的结构元素。

常见的形状包括：

• cv2.MORPH_RECT：矩形结构元素。

• cv2.MORPH_CROSS：十字形结构元素。

• cv2.MORPH_ELLIPSE：椭圆形结构元素。

常见的边界类型包括:

• cv2.BORDER_CONSTANT

• cv2.BORDER_REPLICATE 等。

不同形状卷积的操作效果

形状	效果
矩形卷积核	图像操作效果最强，范围最大
十字形卷积核	图像操作范围最小
椭圆形卷积核	图像操作范围略小于矩形卷积核

腐蚀与膨胀

膨胀与腐蚀操作的简单理解为，膨胀操作将会扩大白色像素面积，腐蚀操作会缩小白色像素面积。

腐蚀

腐蚀操作，是一种形态学图像处理技术。腐蚀操作通过使用一个结构元素（或核）来缩小图像中的对象。
腐蚀操作是使用卷积核扫描图像，一般使用全为1的卷积核，如果卷积核内的像素全是白色， 那么卷积结果就是白色，如果有任意一个像素为黑色，则卷积结果为0。

dst = cv2.erode(src, kernel, iterations=1, borderType=cv2.BORDER_CONSTANT, borderValue=(0, 0, 0))

参数说明：

• src：一个 NumPy 数组，表示要进行腐蚀操作的源图像。这个图像应该是一个二值图像。

• kernel：一个 NumPy 数组，表示用于腐蚀操作的结构元素。这个结构元素应该是一个单通道数组，通常包含 0 和 1 的值。

• iterations：一个整数，表示腐蚀操作的迭代次数。默认值为 1。

• borderType：一个整数，表示边界类型。常见的边界类型包括 cv2.BORDER_CONSTANT、cv2.BORDER_REPLICATE 等。

• borderValue：一个可选的元组 (b, g, r)，用于指定边界值。这个值将在图像的边界像素上应用。

返回值：

• dst：一个 NumPy 数组，表示腐蚀操作后的结果图像。

举例

使用矩形卷积核

pic1_gray = cv2.imread(pic_path, cv2.IMREAD_GRAYSCALE)
# 获取形态学卷积核
M = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 腐蚀
img = cv2.erode(pic1_gray, M, iterations=1)
cv2.imshow(windowName, img)

下面是原图与腐蚀操作后的效果对比

膨胀

膨胀操作是腐蚀操作的相反操作，原理为只要卷积核的锚点是非零值，那么所有卷积核覆盖的像素值均设置为非零值。

一般膨胀操作用于对腐蚀操作后，将被缩小的图像进行进行膨胀，还原原始图像中白色像素的面积。

dst = cv2.dilate(src, kernel, iterations=1, borderType=cv2.BORDER_CONSTANT, borderValue=(0, 0, 0))

参数说明：

• src：一个 NumPy 数组，表示要进行膨胀操作的源图像。这个图像应该是一个二值图像。

• kernel：一个 NumPy 数组，表示用于膨胀操作的结构元素。这个结构元素应该是一个单通道数组，通常包含 0 和 1 的值。

• iterations：一个整数，表示膨胀操作的迭代次数。默认值为 1。

• borderType：一个整数，表示边界类型。常见的边界类型包括 cv2.BORDER_CONSTANT、cv2.BORDER_REPLICATE 等。

• borderValue：一个可选的元组 (b, g, r)，用于指定边界值。这个值将在图像的边界像素上应用。

返回值：

• dst：一个 NumPy 数组，表示膨胀操作后的结果图像。

举例

pic1_gray = cv2.imread(pic_path, cv2.IMREAD_GRAYSCALE)
# 获取形态学卷积核
M = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 膨胀
img = cv2.dilate(pic1_gray, M, iterations=1)
cv2.imshow(windowName, img)

下面是膨胀操作对图像进行处理的对比，膨胀前与膨胀后对比

开运算与闭运算

开运算与闭运算是另一种去除图像噪声的思路
开运算与闭运算是对腐蚀与膨胀的基本应用
开运算 = 腐蚀 + 膨胀
闭运算 = 膨胀 + 腐蚀
OpenCV提供了接口执行形态学操作，如腐蚀、膨胀、开运算和闭运算。这个函数提供了对图像进行形态学处理的灵活性，允许用户选择不同的操作和结构元素。

dst = cv2.morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=1, borderType=cv2.BORDER_CONSTANT, borderValue=(0, 0, 0))

参数说明：

• src：一个 NumPy 数组，表示要进行形态学操作的源图像。这个图像应该是一个二值图像。

• op：一个整数，表示要执行的形态学操作类型。

• kernel：一个 NumPy 数组，表示用于形态学操作的结构元素。这个结构元素应该是一个单通道数组，通常包含 0 和 1 的值。

• dst：一个可选的 NumPy 数组，用于存储形态学操作的结果。如果提供了这个参数，函数将返回 dst 而不是创建一个新数组。

• anchor：一个可选的元组 (x, y)，表示结构元素锚点的坐标。默认值为 (0, 0)，即结构元素的中心。

• iterations：一个可选整数，表示形态学操作的迭代次数。默认值为 1。

• borderType：一个可选整数，表示边界类型。常见的边界类型包括 cv2.BORDER_CONSTANT、cv2.BORDER_REPLICATE 等。

• borderValue：一个可选的元组 (b, g, r)，用于指定边界值。这个值将在图像的边界像素上应用。

返回值：

• 如果指定了 dst 参数，函数将返回 dst 数组；否则，函数将返回形态学操作后的结果图像数组。

常见的操作类型包括：

• cv2.MORPH_ERODE：腐蚀操作。

• cv2.MORPH_DILATE：膨胀操作。

• cv2.MORPH_OPEN：开运算（腐蚀后膨胀）。

• cv2.MORPH_CLOSE：闭运算（膨胀后腐蚀）。

• cv2.MORPH_GRADIENT：梯度运算（膨胀与腐蚀之差）。

• cv2.MORPH_TOPHAT：顶帽运算（原图像与开运算结果之差）。

• cv2.MORPH_BLACKHAT：黑帽运算（闭运算结果与原图像之差）。

开运算

形态学开运算 = 腐蚀 + 膨胀 = 去除图形外部的噪声

# 获取形态学卷积核
M = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 形态学开运算 = 腐蚀 + 膨胀 = 去除图形外部的噪声
img = cv2.morphologyEx(pic1_gray, cv2.MORPH_OPEN, M, iterations=1)

闭运算

形态学闭运算 = 膨胀 + 腐蚀 = 去除图形内部的噪声

# 获取形态学卷积核
M = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 形态学闭运算 = 膨胀 + 腐蚀 = 去除图形内部的噪声
img = cv2.morphologyEx(pic1_gray, cv2.MORPH_CLOSE, M, iterations=1)

形态学梯度

形态学梯度 = 膨胀 - 腐蚀 = 边缘

# 获取形态学卷积核
M = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 形态学梯度 = 膨胀 - 腐蚀 = 边缘
img = cv2.morphologyEx(pic1_gray, cv2.MORPH_CLOSE, M, iterations=1)

顶帽与黑帽

顶帽操作

顶帽操作 = 原图 - 开运算 = 图像外部的噪点

# 获取形态学卷积核
M = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 顶帽操作 = 原图 - 开运算 = 图像外部的噪点
img = cv2.morphologyEx(pic1_gray, cv2.MORPH_TOPHAT, M, iterations=1)

黑帽操作

黑帽操作 = 原图 - 闭运算 = 获取图形内部的噪声

# 获取形态学卷积核
M = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 黑帽操作 = 原图 - 闭运算 = 获取图形内部的噪声
img = cv2.morphologyEx(pic1_gray, cv2.MORPH_BLACKHAT, M, iterations=1)