第四章 opencv python 形态学操作

要同时满足灰度值和位置的条件才叫 x连通
连通性是描述区域和边界的重要概念，两个像素连通的两个必要条件是：
两个像素的位置是否相邻
两个像素的灰度值是否满足特定的相 似性准则（或者是否相等
根据连通性的定义，有4联通、8联通和m联通三种。

	○ 称pq是四连通

2 形态学操作
形态学转换是基于图像形状的一些简单操作。它通常在二进制图像上执行。腐蚀和膨胀是两个基本的形态学运算符。然后它的变体形式如开运算，闭运算，礼帽黑帽等。
2.1 腐蚀和膨胀
腐蚀和膨胀是最基本的形态学操作，腐蚀和膨胀都是针对白色部分（高亮部分）而言的。
膨胀就是使图像中高亮部分扩张，效果图拥有比原图更大的高亮区域；腐蚀是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域。膨胀是求局部最大值的操作，腐蚀是求局部最小值的操作。
1. 腐蚀
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：

		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。
		API：
			   cv.erode(img,kernel,iterations)
		参数：
				® img: 要处理的图像
				® kernel: 核结构
				® iterations: 腐蚀的次数，默认是1
	2. 膨胀
		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腐蚀后：

		API：
		   cv.dilate(img,kernel,iterations)
		参数：
				® img: 要处理的图像
				® kernel: 核结构
				® iterations: 腐蚀的次数，默认是1
		1. 示例
		我们使用一个5*5的卷积核实现腐蚀和膨胀的运算
		
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img = cv.imread("opencv_learn\\erode.png")
# 2 创建核结构
kernel = np.ones((5,5), np.uint8)
# 3 图像腐蚀和膨胀
erosion = cv.erode(img, kernel) # 腐蚀
dilate = cv.dilate(img,kernel) # 膨胀
# 4 图像展示
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(10,8),dpi=100)
axes[0].imshow(img)
axes[0].set_title("原图")
axes[1].imshow(erosion)
axes[1].set_title("腐蚀后结果")
axes[2].imshow(dilate)
axes[2].set_title("膨胀后结果")
		

plt.show()
开闭运算
	API

cv.morphologyEx(img, op, kernel)

参数：
□ img: 要处理的图像
□ op: 处理方式：若进行开运算，则设为cv.MORPH_OPEN，若进行闭运算，则设为cv.MORPH_CLOSE
□ Kernel： 核结构
示例
使用10*10的核结构对卷积进行开闭运算的实现。
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 1 读取图像
img1 = cv.imread(“./image/image5.png”)
img2 = cv.imread(“./image/image6.png”)
# 2 创建核结构
kernel = np.ones((10, 10), np.uint8)
# 3 图像的开闭运算
cvOpen = cv2.morphologyEx(img1,cv2.MORPH_OPEN,kernel) # 开运算
cvClose = cv2.morphologyEx(img2,cv2.MORPH_CLOSE,kernel)# 闭运算
# 4 图像展示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title(“原图”)
axes[0,1].imshow(cvOpen)
axes[0,1].set_title(“开运算结果”)
axes[1,0].imshow(img2)
axes[1,0].set_title(“原图”)
axes[1,1].imshow(cvClose)
axes[1,1].set_title(“闭运算结果”)
plt.show()

总结
		1. 连通性 邻接关系：4邻接，8邻接和D邻接

连通性：4连通，8连通和m连通
2. 形态学操作
• 腐蚀和膨胀：
腐蚀：求局部最大值
膨胀：求局部最小值
• 开闭运算：
开：先腐蚀后膨胀
闭：先膨胀后腐蚀
• 礼帽和黑帽：
礼帽：原图像与开运算之差
黑帽：闭运算与原图像之差

梯度运算：膨胀-腐蚀
	
	
礼帽
顶帽运算的作用是可以提取噪声，突出原图像中比周围亮的部分。（因为开运算本身可以去除一些孤立点，细微连接，毛刺等细节，所以这些细节就可以通过顶帽操作来提取出来）

	#顶帽：原图减去开运算后的图：src - opening
	img = cv2.imread('psma_noise_out.PNG')
	kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (20,20))# 定义结构元素
	tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
	titles = ['img', 'tophat']
	images = [img, tophat]
	plt.figure(dpi=150) #指定输出像素大小
	for i in range(2):
	    plt.subplot(1, 2, i + 1)
	    plt.imshow(images[i])
	    plt.title(titles[i], fontsize=8)
	    plt.xticks([]), plt.yticks([])
	plt.show()
	
应用：
	
黑帽（Black Hat）
	运算为 "闭运算"的结果图与原图像之差。黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，且这一操作和选择的核的大小相关。
	黑帽操作的作用是突出原图像中比周围暗的区域。(比如闭运算本身可以填补物体内部的一些黑洞，这些黑洞就可以通过黑帽运算来凸显）。
	#黑帽：闭运算后的图减去原图：closing - src
	img = cv2.imread('psma_noise_in.png')
	kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (60,60))
	blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
	titles = ['img', 'blackhat']
	images = [img, blackhat]
	plt.figure(dpi=180) #指定输出像素大小
	for i in range(2):
	    plt.subplot(1, 2, i + 1)
	    plt.imshow(images[i])
	    plt.title(titles[i], fontsize=8)
	    plt.xticks([]), plt.yticks([])
	plt.show()