【OpenCV + Python】形态学转换

• 我们要学习的函数有：cv2.erode()， cv2.dilate()， cv2.morphologyEx()等。
• 学习不同的形态学操作，例如腐蚀，膨胀，开运算，闭运算等。
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. cv2.morphologyEx(src, op, kernel) 进行各类形态学的变化
   参数说明:src传入的图片，op进行变化的方式， kernel表示方框的大小
   第二个参数进行的操作（MORPH_OPEN - 开运算、MORPH_CLOSE - 闭运算
   MORPH_GRADIENT - 形态梯度、MORPH_TOPHAT - “礼帽”，MORPH_BLACKHAT - “黑帽”）
   开运算：表示的是先进行腐蚀，再进行膨胀操作
   闭运算：表示先进行膨胀操作，再进行腐蚀操作
2. cv2.getStructuringElement( ) 返回指定形状和尺寸的结构元素。
   这个函数的第一个参数表示内核的形状，有三种形状可以选择。
   矩形：MORPH_RECT;
   交叉形：MORPH_CROSS;
   椭圆形：MORPH_ELLIPSE;

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。**这回产生什么影响呢？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('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

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。

dilation = cv2.dilate(img,kernel,iterations = 1)

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()。

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

实例：

import cv2
def open_demo(img):
    print(img.shape)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    ret,binary = cv2.threshold(gray,100,200,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)
    cv2.imshow("binary",binary)
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(15,1))   # 结构元素（w，h）
    binary = cv2.morphologyEx(binary,cv2.MORPH_OPEN,kernel)
    cv2.imshow("imgResult",binary)

img = cv2.imread('8.jpg',1)
cv2.imshow('img', img)
open_demo(img)
cv2.waitKey(0)
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。

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

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

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

6、礼帽/顶帽
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。

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

7、黑帽
进行闭运算之后得到的图像与原始图像的差。

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

以上集中形态学操作之间的关系列出来参考：

结构化元素

实例：

import cv2
import numpy as np
img = cv2.imread('13.jpg',0)
kernel = np.ones((13,13),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('img',img)
cv2.imshow('opening',opening)
cv2.imshow('tophat',tophat)
cv2.waitKey()

import cv2
import numpy as np
img = cv2.imread('13.jpg',0)
kernel = np.ones((13,13),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
blackhat  = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('img',img)
cv2.imshow('closing',closing)
cv2.imshow('blackhat ',blackhat )
cv2.waitKey()