形态学开操作算子_Opencv图像处理示例 - 形态学处理

一、形态学运算基本原理

常用的形态学处理包括：腐蚀、膨胀、开运算、闭运算、顶帽运算、底帽运算。

腐蚀：类似于中值平滑操作，它是取每一个位置邻域内值的最小值作为该位置的输出灰度值。不同的是，这里的邻域不再单纯是矩形结构的，可以是椭圆形结构、可以是十字交叉形结构。（可以减小亮度高的区域的面积）

膨胀：类似于中值平滑操作，它是取每一个位置邻域内值的最大值作为该位置的输出灰度值，同样，邻域的形状由结构元决定。既然取邻域内的最大值，那么输出图像的总体亮度的平均值比起原图会有所上升，而图像中较亮物体的尺寸会变大；相反，较暗物体的尺寸会减小，甚至会消失。（可以增大亮度高的区域的面积）

开运算：先腐蚀，再膨胀。可以消除暗背景下的较亮区域。

闭运算：先膨胀，再腐蚀。可以删除亮度较高背景下的较暗区域。

顶帽变换：图像减去开运算的结果。主要作用：校正不均匀光照。

底帽变换：图像减去闭运算的结果。

形态学梯度：膨胀的结果减去腐蚀的结果。

Lenna

二、实现代码及展示

import cv2
import numpy as np

pic = './Lenna.jpg'

src = cv2.imread(pic, cv2.IMREAD_UNCHANGED) # 图像的二值化 ，这里没有做阈值处理
kernel = np.ones((5, 5), np.uint8) # 设置卷积核5*5

erosion = cv2.erode(src, kernel) # 图像的腐蚀，默认迭代次数
dst = cv2.dilate(erosion, kernel) # 图像的膨胀

cv2.imshow('origin', src) # 二值化图像展示
cv2.imshow('after erosion', erosion) # 腐蚀后展示
cv2.imshow('after dilate', dst) # 膨胀后展示
cv2.imwrite("erosion.jpg",erosion) # 保存图像
cv2.waitKey(0)

原图与经过腐蚀后图像

原图与经过膨胀后图像

---

扩展参考学习：

图像腐蚀与图像膨胀(18) - 柳帅 - 博客园​www.cnblogs.com