Opencv入门系列七

Opencv入门系列七

---

主要内容：形态学操作

通过形态学操作可以提取图形中描述形状的特征信息，在视觉检查，文字识别，医学图像处理等方面有重要作用。

• 腐蚀
• 膨胀
• 开运算
• 闭运算
• 形态学梯度
• 顶帽运算
• 黑帽运算
• 核函数

1.腐蚀

腐蚀：将图像边界点收缩，在小于一定范围会将像素点消除。可以用来除噪、元素分割等功能。如下图：

图中两个相交的圆，通过腐蚀操作成了两个小的圆形。

下面以一个例子，简单描述腐蚀的过程，如下图所描述：

从图中我们可以看到原图像与核函数。

① 找出核函数中心位置。

因为核函数比较简单，第二行的1就是核函数的中间位置。

② 遍历原图像，将核函数中心位填充于每个位置并将整个核函数填充于原函数中，像素匹配的中心位置为1，其余为0，如下图操作。

首先确定中心点，此图为原图像的第一个位置。

​

其次将核函数其余部分与原图像比较，看对应像素点是否匹配。

上图中，在将匹配像素点时，发现原图像边界像素不够，故和滤波操作中一样需要填充边界。我们简单默认边界填充都是1。那么可知原图像和填充图像不匹配（如下图），故腐蚀操作后第一个像素点位置为0。

③按照1,2 依次遍历整个原图像的像素点。我们发现仅有核函数中心点位于下图三个位置，才能保证匹配关系。

填充后，如下图

故腐蚀后图像为

在Opencv中提供了cv2.erode()函数实现腐蚀操作，其语法如下：

● dst：腐蚀后所输出目标图像。

● src：原图像，要求图像的深度必须是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一种。

● kernel：腐蚀操作时所采用的结构类型。可以自定义生成，也可以通过函数cv2.getStructuringElement()生成。

● anchor：element结构中锚点的位置。该值默认为(-1,-1)，在核的中心位置。

● iterations：腐蚀操作迭代的次数，该值默认为1，即只进行一次腐蚀操作。

● borderType：边界填充方式，一般采用其默认值BORDER_CONSTANT。

● borderValue：边界值，一般采用默认值。

borderType值可以为：

下面看一个简单的程序

import cv2
import numpy as np

lena = cv2.imread("Resources/lena.png",0)


kennel5 = np.ones((5,5),dtype=np.uint8)# 创建一个(5*5)的核
kennel9 = np.ones((9,9),dtype=np.uint8)# 创建一个(9*9)的核

lenaErodeTo5_i1 = cv2.erode(lena,kennel5)
lenaErodeTo9_i1 = cv2.erode(lena,kennel9)
lenaErodeTo5_i3 = cv2.erode(lena,kennel5,iterations=3)

cv2.imshow("lena",lena)                 #原图显示
cv2.imshow("lenaErodeTo5_i1",lenaErodeTo5_i1)#(5,5)核函数迭代一次
cv2.imshow("lenaErodeTo5_i3",lenaErodeTo5_i3)#(5,5)核函数迭代三次
cv2.imshow("lenaErodeTo9_i1",lenaErodeTo9_i1)#(9,9)核函数迭代三次
cv2.waitKey(0)

我们从运行结果可以看出，我们使用更大的核或者更多的迭代次数，可以提高腐蚀的效果有更好的滤波作用。

2.膨胀

膨胀：将图像边界点扩张。如下图

下面以一个例子，简单描述膨胀的过程，如下图所描述：

膨胀操作理解起来比腐蚀要简单，同样的我们取核函数中中心位置。然后依次在原图像中遍历，原图像像素点与核函数中心位置相等的点，就将核函数按结构覆盖到原图像中即可。

得到如下结果：

在Opencv中提供了cv2.dilate()函数实现腐蚀操作，其语法如下：

● dst：膨胀后的图像。

● src：原图像。要求图像的深度必须是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一种。

● element：膨胀操作所采用的结构类型。可以自定义生成，也可以通过函数cv2.getStructuringElement()生成。

参数kernel、anchor、iterations、borderType、borderValue与函数cv2.erode()内相应参数的含义一致。

下面是一个简单的实验

import cv2
import numpy as np

img = cv2.imread("Resources/12.jpg",0)
kennel = np.ones((5,5),dtype=np.uint8)
dilateImg5_i1 = cv2.dilate(img,kennel,iterations=1)
dilateImg5_i5 = cv2.dilate(img,kennel,iterations=5)
cv2.imshow("img",img)
cv2.imshow("dilateImg5_i1",dilateImg5_i1)
cv2.imshow("dilateImg5_i5",dilateImg5_i5)

cv2.waitKey(0)
cv2.destroyAllWindows()

3.cv2.morphologyEx()

在Opencv()中，cv2.morphologyEx()是一个形态学通用的函数，可以完成所有的形态学操作，其语法如下。

● dst：形态学处理后的图像。

● src：原图像。要求图像的深度必须是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一种。

● op：操作类型。

● 参数kernel、anchor、iterations、borderType、borderValue与函数cv2.erode()内相应参数的含义一致。

op参数的操作类型可以是：

4.开运算

开运算：先腐蚀再膨胀。腐蚀可以消除小于某个临界值的边界，边界范围可以由核函数和迭代的次数决定。膨胀可以将剩下的图像的特征进行扩大。从此可以通过开运算提取理想的图像。

下图是一个开运算的例子：

左图经过腐蚀消除了毛刺，得到了中间所示的图像后再将所需的特征进行放大，即进行膨胀操作。

在Opencv中使用开运算语法如下：

5.闭运算

闭运算：先膨胀、后腐蚀的运算，它有助于关闭前景物体内部的小孔，或去除物体上的小黑点，还可以将不同的前景图像进行连接。

下图是一个闭运算的例子：

左图图像进行膨胀后内部的黑点被消除了。

在Opencv中使用闭运算语法如下：

6.形态学梯度运算

形态学梯度运算：膨胀的图像减去腐蚀的图像。用于获取图像的边缘。

下图是一个闭运算的例子：

在Opencv中使用形态学运算语法如下：

7.礼帽运算

礼帽运算：原始图像减去其开运算图像的操作。我们可以把开运算理解为滤波后的图像（即消除噪音的图像），有如下关系式：开运算后图像+噪音=原始图像。故礼帽运算能够获取图像的噪声信息，或者得到比原始图像的边缘更亮的边缘信息。

下面是一个礼帽运算的例子：

在Opencv中使用礼帽运算语法如下：

8.黑帽运算

黑帽运算：原始图像减去其闭运算图像的操作。我们可以把闭运算理解为滤波后的图像（即消除内部黑点，小孔），有如下关系式：闭运算后图像+黑点=原始图像。黑帽运算能够获取图像内部的小孔，或前景色中的小黑点，或者得到比原始图像的边缘更暗的边缘部分。

下面是一个黑帽运算的例子：

在Opencv中使用黑帽运算语法如下：

9.核函数

核函数：我们在前面的形态学操作时都有一个核（元结构），即函数中的参数kennel。在Opencv中有专门产生核的一个函数cv2.getStructuringElement()，是用于获取不同的核的函数。其语法如下：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RZRRIaeZ-1612338018443)(C:\Users\44338\AppData\Roaming\Typora\typora-user-images\image-20210203152516123.png)]

● shape：形状类型，其可能的取值如表8-3所示。

● ksize：结构元素的大小。

● anchor：结构元素中的锚点位置。默认的值是(-1,-1)，是形状的中心。只有十字星型的形状与锚点位置紧密相关。在其他情况下，锚点位置仅用于形态学运算结果的调整。

shape参数可以是：

Rect：矩形

Cross：十字架

Ellipse：椭圆

Morph：

import cv2
import numpy as np

RectKennel = cv2.getStructuringElement(cv2.MORPH_RECT,(10,10))
CrossKennel = cv2.getStructuringElement(cv2.MORPH_CROSS,(10,10))
EllKennel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(10,10))



print(RectKennel)
print(CrossKennel)
print(EllKennel)