1 连通性
在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有3种：4邻接、8邻接和D邻接。分别如下图所示：
- 4邻接：像素p(x,y)的4邻域是：(x+1,y)；(x-1,y)；(x,y+1)；(x,y-1)，用N4(p)表示像素p的4邻接
- D邻接：像素p(x,y)的D邻域是：对角上的点 (x+1,y+1)；(x+1,y-1)；(x-1,y+1)；(x-1,y-1)，用ND(p)表示像素p的D邻域
- 8邻接：像素p(x,y)的8邻域是： 4邻域的点 ＋ D邻域的点，用N8(p)表示像素p的8邻域
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：
1.两个像素的位置是否相邻
2.两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。
- 4联通：对于具有值V的像素p和q，如果q在集合N4(p)中，则称这两个像素是4连通。
- 8联通：对于具有值V的像素p和q，如果q在集合N8(p)中，则称这两个像素是8连通。
- 对于具有值V的像素p和q，如果:
1.q在集合N4(p)中，或
2.q在集合ND(p)中，并且N4(p)与N4(q)的交集为空（没有值V的像素）
则称这两个像素是mm连通的，即4连通和D连通的混合连通。
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
1.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：
膨胀的作用是将与物体接触的所有背景点合并到物体中，使目标增大，可添补目标中的孔洞。
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("./image/image3.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()
2.2 开闭运算
开运算和闭运算是将腐蚀和膨胀按照一定的次序进行处理。 但这两者并不是可逆的，即先开后闭并不能得到原来的图像。
1.开运算
开运算是先腐蚀后膨胀，其作用是：分离物体，消除小区域。特点：消除噪点，去除小的干扰块，而不影响原来的图像。
2.闭运算
闭运算与开运算相反，是先膨胀后腐蚀，作用是消除/“闭合”物体里面的孔洞，特点：可以填充闭合区域。
3.API
cv.morphologyEx(img, op, kernel)
参数：
1.img: 要处理的图像
2.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
3.Kernel： 核结构
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 = cv.morphologyEx(img1,cv.MORPH_OPEN,kernel) # 开运算 cvClose = cv.morphologyEx(img2,cv.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()
2.3 礼帽和黑帽
1.礼帽运算
原图像与“开运算“的结果图之差，如下式计算：
因为开运算带来的结果是放大了裂缝或者局部低亮度的区域，因此，从原图中减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域，且这一操作和选择的核的大小相关。
礼帽运算用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。
2.黑帽运算
为”闭运算“的结果图与原图像之差。数学表达式为：
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。
黑帽运算用来分离比邻近点暗一些的斑块。
3.API
cv.morphologyEx(img, op, kernel)
参数：
1.img: 要处理的图像
2.op: 处理方式：
3.Kernel： 核结构
4.示例
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 图像的礼帽和黑帽运算 cvOpen = cv.morphologyEx(img1,cv.MORPH_TOPHAT,kernel) # 礼帽运算 cvClose = cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel)# 黑帽运算 # 4 图像显示 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("礼帽运算结果") axes[1,0].imshow(img2) axes[1,0].set_title("原图") axes[1,1].imshow(cvClose) axes[1,1].set_title("黑帽运算结果") 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
1.腐蚀和膨胀：
腐蚀：求局部最大值
膨胀：求局部最小值
2.开闭运算：
开：先腐蚀后膨胀
闭：先膨胀后腐蚀
3.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
