形态学转换

原理

形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。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是腐蚀和膨胀。他们的变体构成了开运算，闭运算，梯度等。

1.腐蚀

就像土壤侵蚀一样，这个操作会把前景物体的边界腐蚀掉（但是前景仍然是白色）。这是怎么做到的呢？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都是 1，那么中心元素就保持原来的像素值，否则就变为零。

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都会被腐蚀掉（变为 0），所以前景物体会变小，整幅图像的白色区域会减少。这对于去除白噪声很有用，也可以用来断开两个连在一块的物体等。

这里我们有一个例子，使用一个 5x5 的卷积核，其中所有的值都是以。让我们看看他是如何工作的：

import cv2
import numpy as np

img = cv2.imread('C:/Users/www12/Desktop/j.png', 0)
# 下面的 None 本应该是输出图像的尺寸，但是因为后边我们设置了缩放因子 因此这里为 None
img=cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)
kernel = np.ones((5, 5), np.uint8)
#iterations是迭代次数
erosion = cv2.erode(img, kernel, iterations = 1)

cv2.imshow('img', img)
cv2.imshow('erosion', erosion)
cv2.waitKey()
cv2.destroyAllWindows()

2 膨胀

与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是 1，中心元素的像素值就是 1。所以这个操作会增加图像中的白色区域（前景）。一般在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。所以我们再对他进行膨胀。这时噪声已经被去除了，不会再回来了，但是前景还在并会增加。膨胀也可以用来连接两个分开的物体。

import cv2
import numpy as np

img = cv2.imread('C:/Users/www12/Desktop/j.png', 0)
# 下面的 None 本应该是输出图像的尺寸，但是因为后边我们设置了缩放因子 因此这里为 None
img=cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)
kernel = np.ones((5, 5), np.uint8)
#iterations是迭代次数
dilation = cv2.dilate(img,kernel,iterations = 1)

cv2.imshow('img', img)
cv2.imshow('dilation', dilation)
cv2.waitKey()
cv2.destroyAllWindows()

3 开运算

先进性腐蚀再进行膨胀就叫做开运算。就像我们上面介绍的那样，它被用来去除噪声。这里我们用到的函数是 cv2.morphologyEx()。

import cv2
import numpy as np

img = cv2.imread('C:/Users/www12/Desktop/j1.png', 0)
# 下面的 None 本应该是输出图像的尺寸，但是因为后边我们设置了缩放因子 因此这里为 None
img=cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)
kernel = np.ones((5, 5), np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('img', img)
cv2.imshow('opening', opening)
cv2.waitKey()
cv2.destroyAllWindows()

4. 闭运算

先膨胀再腐蚀。它经常被用来填充前景物体中的小洞，或者前景物体上的小黑点。

import cv2
import numpy as np

img = cv2.imread('C:/Users/www12/Desktop/j2.png', 0)
# 下面的 None 本应该是输出图像的尺寸，但是因为后边我们设置了缩放因子 因此这里为 None
img=cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)
kernel = np.ones((5, 5), np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('img', img)
cv2.imshow('opening', opening)
cv2.waitKey()
cv2.destroyAllWindows()

5 形态学梯度

其实就是一幅图像膨胀与腐蚀的差别。

结果看上去就像前景物体的轮廓。

import cv2
import numpy as np

img = cv2.imread('C:/Users/www12/Desktop/j.png', 0)
# 下面的 None 本应该是输出图像的尺寸，但是因为后边我们设置了缩放因子 因此这里为 None
img=cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)
kernel = np.ones((5, 5), np.uint8)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('img', img)
cv2.imshow('gradient', gradient)
cv2.waitKey()
cv2.destroyAllWindows()

6. 礼帽

原始图像与进行开运算之后得到的图像的差。下面的例子是用一个 9x9 的核进行礼帽操作的结果。

import cv2
import numpy as np

img = cv2.imread('C:/Users/www12/Desktop/j.png', 0)
# 下面的 None 本应该是输出图像的尺寸，但是因为后边我们设置了缩放因子 因此这里为 None
img=cv2.resize(img,None,fx=1.5,fy=1.5,interpolation=cv2.INTER_CUBIC)
kernel = np.ones((10, 10), np.uint8)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

cv2.imshow('img', img)
cv2.imshow('tophat', tophat)
cv2.waitKey()
cv2.destroyAllWindows()

7. 黑帽

进行闭运算之后得到的图像与原始图像的差。

import cv2
import numpy as np

img = cv2.imread('C:/Users/www12/Desktop/j.png', 0)
# 下面的 None 本应该是输出图像的尺寸，但是因为后边我们设置了缩放因子 因此这里为 None
img=cv2.resize(img,None,fx=1.5,fy=1.5,interpolation=cv2.INTER_CUBIC)
kernel = np.ones((10, 10), np.uint8)
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

cv2.imshow('img', img)
cv2.imshow('blackhat', blackhat)
cv2.waitKey()
cv2.destroyAllWindows()

8. 形态学操作之间的关系

结构化元素

在前面的例子中我们使用 Numpy 构建了结构化元素，它是正方形的。但有时我们需要构建一个椭圆形/圆形的核。为了实现这种要求，提供了 OpenCV函数 cv2.getStructuringElement()。你只需要告诉他你需要的核的形状和大小。

cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=uint8)


cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))

array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)


cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))

array([[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]], dtype=uint8)