python+OpenCv笔记（七）：图像的形态学操作（腐蚀与膨胀、开闭运算、礼帽与黑帽）

一、腐蚀与膨胀

腐蚀就是原图中高亮的部分被蚕食，效果图拥有比原图更小的高亮区域。
腐蚀的作用是：消除物体边界点，使目标缩小，可以消除小于结构元素的噪声点。

膨胀就是使原图中高亮的部分扩张，效果图拥有比原图更大的高亮区域。
膨胀的作用是：将与物体接触的所有背景点合并到物体中，使目标增大，可填补目标中的孔洞。

OpenCv API：

cv2.erode(src, kernel, iterations)  # 腐蚀
cv2.dilate(src, kernel, iterations)  # 膨胀

参数：
 1. img：要处理的图像
 2. kernel：核结构
 3. iterations：腐蚀/膨胀的次数，默认为1

原理：

（见文末）

代码编写

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

src = cv.imread("E:\\view2.jpg")
img = src.copy()

# 创建核结构
kernel = np.ones((5, 5), np.uint8)
# 腐蚀与膨胀
img_erode = cv.erode(img, kernel)  # 腐蚀
img_dilate = cv.dilate(img, kernel)  # 膨胀

# 显示图像
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(10, 8), dpi=100)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title("原图")
axes[1].imshow(img_erode[:, :, ::-1])
axes[1].set_title("绝对尺寸")
axes[2].imshow(img_dilate[:, :, ::-1])
axes[2].set_title("相对尺寸")
plt.show()

二、开闭运算

开运算是先腐蚀后膨胀，其作用是∶分离物体，消除小区域。

特点︰消除噪点，去除小的干扰块，而不影响原来的图像（消除噪声）。

闭运算与开运算相反，是先膨胀后腐蚀，作用是消除/"闭合"物体里面的孔洞。

特点︰可以填充闭合区域（填充孔洞）。
 

OpenCv API:

cv2.morphologyEx(src, op, kernel)

参数：

1. src：要处理的图像
2. op：处理方式。若进行开运算，则为cv2.MORPH_OPEN,  
                             若进行闭运算，则为cv2.MORPH_CLOSE
3. kernel：核结构

原理：       

        （见文末）      

          注意：开闭运算是不可逆的，即先开后闭并不能得到原图像  

代码编写：  

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

src = cv.imread("E:\\01(3).png")
src2 = cv.imread("E:\\01(4).png")
img = src.copy()
img2 = src2.copy()

# 创建核结构
kernel = np.ones((10, 10), np.uint8)

# 图像的开闭运算
img_open = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)  # 开运算
img2_close = cv.morphologyEx(img2, cv.MORPH_CLOSE, kernel)  # 闭运算

# 显示图像
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8), dpi=100)
axes[0][0].imshow(img[:, :, ::-1])
axes[0][0].set_title("原图1")
axes[0][1].imshow(img_open[:, :, ::-1])
axes[0][1].set_title("（原图1）开运算")
axes[1][0].imshow(img2[:, :, ::-1])
axes[1][0].set_title("原图2")
axes[1][1].imshow(img2_close[:, :, ::-1])
axes[1][1].set_title("（原图2）闭运算")
plt.show()

三、礼帽和黑帽

礼帽运算：

原图像与“开运算”结果图的差

数学表达式：dst = tophat(src,element) = src - open(src,element)

因为开运算的结果是放大了裂缝或者局部低亮度的区域，因此，原图减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域（这一操作与核的的选择有关）

礼帽运算用来分离比临近点亮一些的斑块儿，当一幅图像具有大幅背景的时候，而微小物品比较有规律的情况下可使用礼帽运算进行背景提取。

黑帽运算：

“闭运算”的结果图与原图像之差

数学表达式：dst = blackhat(src, element) = close(src, element) - src

黑帽运算的效果图突出了比原图轮廓周围的区域更暗的区域（这一操作与核的选择有关）

黑帽运算用来分离比邻近点暗一些的斑块

OpenCv API:

cv2.morphologyEx(src, op, kernel)

 参数：同上

            其中，

参数	功能
cv2.MORPH_OPEN	开运算
cv2.MORPH_CLOSE	闭运算
cv2.MORPH_TOPHAT	礼帽运算
cv2.MORPH_BLACKHAT	黑帽运算

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

src = cv.imread("E:\\01(3).png")
src2 = cv.imread("E:\\01(4).png")
img = src.copy()
img2 = src2.copy()

# 创建核结构
kernel = np.ones((10, 10), np.uint8)

# 图像的礼帽与黑帽运算
img_tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)
img2_blackhat = cv.morphologyEx(img2, cv.MORPH_BLACKHAT, kernel)

# 显示图像
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8), dpi=100)
axes[0][0].imshow(img[:, :, ::-1])
axes[0][0].set_title("原图1")
axes[0][1].imshow(img_tophat[:, :, ::-1])
axes[0][1].set_title("（原图1）礼帽运算")
axes[1][0].imshow(img2[:, :, ::-1])
axes[1][0].set_title("原图2")
axes[1][1].imshow(img2_blackhat[:, :, ::-1])
axes[1][1].set_title("（原图2）黑帽运算")
plt.show()

四、总结（morphologyEX函数）

        morphologyEx函数可以执行各种形态学运算。对于本文中的膨胀与腐蚀，开闭运算，礼帽与黑帽等都可以用morphologyEx函数完成。

        其中，膨胀与腐蚀既可以直接用erode函数和dilate函数完成，也可以用morphologyEx函数完成（第二个参数op设置为cv2.MORPH_ERODE或者cv2.MORPH_DILATE即可），开闭运算，礼帽与黑帽都用morphologyEx函数完成。

形态学操作的原理：

1.腐蚀与膨胀

腐蚀的具体操作是∶用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做"与"操作，如果都为1，则该像素为1，否则为0。如下图所示，结构A被结构B腐蚀后∶

例如，对于结构A中的（2,4）单元格，用结构B扫描有

  

因为（2,4）为非高亮（即非红色），所以最终腐蚀后仍然为非高亮

例如，对于结构A中的（4,2）单元格，用结构B扫描有

 因为仍有未完全覆盖的部分，所以腐蚀后（2,4）仍为非高亮

--------------------------------------------------------------------------------------------------------------------------------------

膨胀的具体操作是︰用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为0，则该像素为0，否则为1。如下图所示，结构A被结构B膨胀后:

原理与腐蚀类似 （只要结构B的覆盖区域中有高亮红色，则进行膨胀）

2.开闭运算

.开运算是先腐蚀后膨胀，如图所示：

闭运算是先膨胀后腐蚀，如图所示：