opencv从入门到放弃---形态学转换

学习不同的形态学操作，例如腐蚀、膨胀、开闭运算等

原理：

形态学操作是根据图像形状进行的简单操作，一般情况下是对二值图像进行操作，需要输入两个参数，一个是原始图像，第二个被称为结构化元素或核，它是用来决定操作的性质的；两个基本的形态学操作时腐蚀和膨胀，他们的变体构成了开运算、闭运算，梯度等等；

腐蚀

腐蚀的原理：首先设定一个卷积核，然后卷积核沿着图像滑动，如果与卷积核对应的原图像的所有像素值为1，那么中心元素就保持原来的像素值不变，否则就变为0

这会产生什么影响呢？根据卷积核的大小靠近前景的所有像素点都会被腐蚀掉（变为0），所有前景物体会变小，整副图像的白色区域会变小；这对于去除白噪声很有用，也可以用来断开两个连接在一起的物体

import cv2 as cv
import numpy as np

cv.namedWindow('image', cv.WINDOW_AUTOSIZE)
image = np.zeros((512, 512, 3), np.uint8)
font = cv.FONT_HERSHEY_SIMPLEX
dst = cv.putText(image, 'opencv', (100, 250), font, 3, (255, 255, 255), 6)
cv.imshow('image', dst)
cv.imwrite('D:/2019-02/img1.png', dst)
# 定义一个5*5的卷积核
kernel = np.ones((5,5), np.uint8)
erosion = cv.erode(dst, kernel, iterations=1)
cv.imshow('image1', erosion)
cv.imwrite('D:/2019-02/img2.png', erosion)
cv.waitKey(0)
cv.destroyAllWindows()

原图像：

腐蚀后的图像：

膨胀

与腐蚀相反，与卷积核对应的原图像的像素值只要有一个是1，中心元素的像素值就会为1；所以这个操作会增加图像中的白色区域，一般去噪声时先用腐蚀再用膨胀；因为腐蚀在去掉白噪声的同时，也会使前景对象变小，所以我们再对它进行膨胀，这时噪声已经去除了，不会再回来了，但是前景还是会在增加；膨胀也可以用来连接两个分开的物体

下面代码将上面腐蚀的图像进行膨胀

image = cv.imread('D:/2019-02/img2.png')
cv.imshow('image1', image)
kernel = np.ones((5,5), np.uint8)
dilation = cv.dilate(image, kernel, iterations=1)
cv.imshow('image2', dilation)
cv.imwrite('D:/2019-02/img3.png', dilation)
cv.waitKey(0)

运行结果：

开运算

先腐蚀再膨胀；它可以被用来去除噪声

import cv2 as cv
import numpy as np

image = np.zeros((512, 512, 3), np.uint8)
font = cv.FONT_HERSHEY_SIMPLEX
dst = cv.putText(image, 'opencv', (100, 250), font, 3, (255, 255, 255), 6)
kernel = np.ones((5,5), np.uint8)
rows, cols, chan = image.shape
for temp in range(100):
    i = int(cols * np.random.random())
    j = int(rows * np.random.random())
    image[i, j] = (255, 255, 255)
cv.imshow('image', image) 
cv.imwrite('D:/p2019-02/img4.png', image)
opening = cv.morphologyEx(image, cv.MORPH_OPEN, kernel)
cv.imshow('image1', opening)
cv.imwrite('D:/2019-02/img5.png', opening)
cv.waitKey(0)

去噪后：

闭运算

先膨胀再腐蚀，它经常被用来填充前景物体的小洞，或者前景物体上的小黑点

import cv2 as cv
import numpy as np

image = np.zeros((512, 512, 3), np.uint8)
font = cv.FONT_HERSHEY_SIMPLEX
dst = cv.putText(image, 'opencv', (100, 250), font, 3, (255, 255, 255), 6)
kernel = np.ones((5,5), np.uint8)
rows, cols, chan = image.shape
for temp in range(10000):
    i = int(cols * np.random.random())
    j = int(rows * np.random.random())
    image[i, j] = (0, 0, 0)
cv.imshow('image', image) 
cv.imwrite('D:/2019-02/img4.png', image)
opening = cv.morphologyEx(image, cv.MORPH_CLOSE, kernel)
cv.imshow('image1', opening)
cv.imwrite('D:/2019-02/img5.png', opening)
cv.waitKey(0)

运算之前：

可以看到图上有小黑点

运算之后：

形态学梯度

其实就是一副图像膨胀与腐蚀的区别，结果看上去就相当于前景物体的轮廓

import cv2 as cv
import numpy as np

image = np.zeros((512, 512, 3), np.uint8)
font = cv.FONT_HERSHEY_SIMPLEX
dst = cv.putText(image, 'opencv', (100, 250), font, 3, (255, 255, 255), 6)
kernel = np.ones((5,5), np.uint8)
cv.imshow('image', image) 
cv.imwrite('D:/2019-02/img4.png', image)
opening = cv.morphologyEx(image, cv.MORPH_GRADIENT, kernel)
cv.imshow('image1', opening)
cv.imwrite('D:/2019-02/img5.png', opening)
cv.waitKey(0)

运算结果前后对比：

定义结构元素

形态学处理的核心就是定义结构元素，在opencv-Python中，可以使用其自带的getStructuringElement函数，也可以直接使用numpy数组来进行定义

element = cv.getStructuringElement(cv.MORPH_CROSS, (5,5))
print(element)

运算结果;

[[0 0 1 0 0]
 [0 0 1 0 0]
 [1 1 1 1 1]
 [0 0 1 0 0]
 [0 0 1 0 0]]