目录
13 形态学转换
13.1 目标
在这一章当中， 我们将学习不同的形态学操作，例如侵蚀，膨胀，开运算，闭运算等。 我们将看到不同的功能，例如：cv.erode(),cv.dilate(), cv.morphologyEx()等。
13.2 理论
形态变换是一些基于图像形状的简单操作。通常在二进制图像上执行。它需要两个输入，一个是我们的原始图像，第二个是决定操作性质的结构元素或内核。两种基本的形态学算子是侵蚀和膨胀。然后，它的变体形式（如“打开”，“关闭”，“渐变”等）也开始起作用。
13.2.1 侵蚀（腐蚀）
侵蚀的基本思想就像土壤侵蚀一样，它侵蚀前景物体的边界（尽量使前景保持白色）。它是做什么的呢？内核滑动通过图像(在2D卷积中)。原始图像中的一个像素(无论是1还是0)只有当内核下的所有像素都是1时才被认为是1，否则它就会被侵蚀(变成0)。
结果是，根据内核的大小，边界附近的所有像素都会被丢弃。因此，前景物体的厚度或大小减小，或只是图像中的白色区域减小。它有助于去除小的白色噪声(正如我们在颜色空间章节中看到的)，分离两个连接的对象等。
腐蚀的公式如下：
erosion = cv2.erosion(img,kernel,iterations = 1)
在这里，作为一个例子，我将使用一个5x5内核，它包含了所有的1。让我们看看它是如何工作的:
import cv2 as cv import matplotlib.pyplot as plt import numpy as np img = cv.imread('wwq.jpg', 0) kernel = np.ones((5, 5), np.uint8) erosion = cv.erode(img, kernel, iterations=1) plt.subplot(211), plt.imshow(img, 'gray'), plt.title('wwq'), plt.xticks([]), plt.yticks([]) plt.subplot(212), plt.imshow(erosion, 'gray'), plt.title('erosion'), plt.xticks([]), plt.yticks([]) plt.show()
运行结果如下：
编辑
13.2.2 扩张（膨胀）
它与侵蚀正好相反。如果内核下的至少一个像素为1，则像素元素为1。因此，它会增加图像中的白色区域或增加前景对象的大小。通常，在消除噪音的情况下，腐蚀后会膨胀。因为腐蚀会消除白噪声，但也会缩小物体。因此，我们对其进行了扩展。由于噪音消失了，它们不会回来，但是我们的目标区域增加了。在连接对象的损坏部分时也很有用。
膨胀的公式如下：
dilation = cv2.dilate(img,kernel,iterations = 1)
代码如下：
import cv2 as cv import matplotlib.pyplot as plt import numpy as np img = cv.imread('wwq.jpg', 0) kernel = np.ones((5, 5), np.uint8) dilate = cv.dilate(img, kernel, iterations=1) plt.subplot(211), plt.imshow(img, 'gray'), plt.title('wwq') plt.xticks([]), plt.yticks([]) plt.subplot(212), plt.imshow(dilate, 'gray'), plt.title('dilate') plt.xticks([]), plt.yticks([]) plt.show()
运行结果如下：
编辑
13.2.3 开运算
开放只是侵蚀然后扩张的另一个名称。如上文所述，它对于消除噪音很有用。在这里，我们使
用函数cv.morphologyEx()
opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)
代码如下：
import cv2 as cv import matplotlib.pyplot as plt import numpy as np img = cv.imread('wwq.jpg') # 为了让效果更好，我们自己随机生成一些白噪声 img_white_noise = img rows, cols, channel = img_white_noise.shape for i in range(5000): x = np.random.randint(0, rows) y = np.random.randint(0, cols) img_white_noise[x, y, :] = 255 kernel = np.ones((5, 5), np.uint8) opening = cv.morphologyEx(img_white_noise, cv.MORPH_OPEN, kernel) plt.subplot(211), plt.imshow(img_white_noise, 'gray'), plt.title('add noise') plt.xticks([]), plt.yticks([]) plt.subplot(212), plt.imshow(opening, 'gray'), plt.title('opening') plt.xticks([]), plt.yticks([]) plt.show()
运行结果如下：
编辑
13.2.4 闭运算
闭运算与开运算相反，先扩张然后再侵蚀。在关闭前景对象内部的小孔或对象上的小黑点时很有用。
closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)
代码如下：
import cv2 as cv import matplotlib.pyplot as plt import numpy as np img = cv.imread('wwq.jpg') # 为了让效果更好，我们自己随机生成一些黑噪声 img_black_noise = img rows, cols, channel = img_black_noise.shape for i in range(6666): x = np.random.randint(0, rows) y = np.random.randint(0, cols) img_black_noise[x, y, :] = 0 kernel = np.ones((3, 3), np.uint8) closing = cv.morphologyEx(img_black_noise, cv.MORPH_CLOSE, kernel) plt.subplot(211), plt.imshow(img_black_noise, 'gray'), plt.title('add noise') plt.xticks([]), plt.yticks([]) plt.subplot(212), plt.imshow(closing, 'gray'), plt.title('closing') plt.xticks([]), plt.yticks([]) plt.show()
运行结果如下：
编辑
13.2.5 形态学梯度
形态学梯度是图像膨胀、腐蚀之间的区别。是将膨胀后的原图像和腐蚀后的原图像做差，可以得到形态学梯度。可以突出高亮区域的外围，因为它是区域的膨胀减去区域的收缩
结果将看起来像对象的轮廓。
gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)
代码如下：
import cv2 as cv import matplotlib.pyplot as plt import numpy as np img = cv.imread('wwq.jpg', 0) kernel = np.ones((5, 5), np.uint8) gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel) plt.subplot(211), plt.imshow(img, 'gray'), plt.title('img') plt.xticks([]), plt.yticks([]) plt.subplot(212), plt.imshow(gradient, 'gray'), plt.title('gradient') plt.xticks([]), plt.yticks([]) plt.show()
运行结果如下：
编辑
13.2.6 顶帽
它是输入图像和图像开运算之差。下面的示例针对9x9内核完成。
tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)
代码如下：
import cv2 as cv import numpy as np import matplotlib.pyplot as plt img = cv.imread('wwq.jpg', 0) kernel = np.ones((9, 9), np.uint8) tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel) plt.subplot(211), plt.imshow(img, 'gray'), plt.title('img') plt.xticks([]), plt.yticks([]) plt.subplot(212), plt.imshow(tophat, 'gray'), plt.title('tophat') plt.xticks([]), plt.yticks([]) plt.show()
运行结果如下：
编辑
13.2.7 黑帽
这是输入图像和图像闭运算之差。
blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)
代码如下：
import cv2 as cv import numpy as np import matplotlib.pyplot as plt img = cv.imread('wwq.jpg', 0) kernel = np.ones((9, 9), np.uint8) blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel) plt.subplot(211), plt.imshow(img, 'gray'), plt.title('img') plt.xticks([]), plt.yticks([]) plt.subplot(212), plt.imshow(blackhat, 'gray'), plt.title('blackhat') plt.xticks([]), plt.yticks([]) plt.show()
运行结果如下：
编辑
13.3 结构元素
在Numpy的帮助下，我们在前面的示例中手动创建了一个结构元素。它是矩形。但是在某些情况下，您可能需要椭圆形/圆形的内核。因此，为此，OpenCV具有一个函数cv.getStructuringElement()。您只需传递内核的形状和大小，即可获得所需的内核。
# 矩形内核 >>> 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) # 椭圆内核 >>> 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) # 十字内核 >>> 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)
13.4 其他资源
形态学操作： HIPR2
欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。
顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。
编辑
