【图像处理】图像形态学运行

参考文章：07-形态学操作

一、图像腐蚀

在图像的形态学操作中，腐蚀主要针对二值图像，使用卷积核的中心点逐个扫描原始图像。被扫描到的原始图像中的像素
点，只有当卷积核对应的元素值均为1（白色）时，其值才为1（白色），否则值为0（黑色）。

腐蚀是对白色部分（高亮部分）而言的，可以理解为删除对象边界的某些像素点，即效果图的高亮区域比原图更小。

函数erode： dst = cv2.erode(src, kernel, iterations)

1. src：源图像
2. kernel：卷积核
3. iterations：迭代次数，默认值为1

例如，生成一个5×5的卷积核：

kernel = np.ones((5,5), np.uint8)

import cv2
import numpy as np
img = cv2.imread(r"image\erode.bmp", cv2.IMREAD_UNCHANGED)
# 卷积核
kernel = np.ones((5,5), np.uint8)
# 图像腐蚀
erosion = cv2.erode(img, kernel, iterations=5)
cv2.imshow("original", img)
cv2.imshow("erosion", erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像腐蚀的实验结果：

二、图像膨胀

图像膨胀是图像腐蚀的逆操作，也主要针对二值图像。使用卷积核的中心点逐个像素扫描原始图像，被扫描到的原始图像中的像素点，当卷积核对应的元素值只要有一个为1（白色）时，其值就为1（白色），否则值为0（黑色）。

膨胀也是对白色部分（高亮部分）而言的，即效果图的高亮区域比原图更大。

函数dilate：

dst = cv2.dilate(src, kernel, iterations)

1. src：源图像
2. kernel：卷积核
3. iterations：迭代次数，默认值为1

例如，生成一个5×5的卷积核：

kernel = np.ones((5,5), np.uint8)

import cv2
import numpy as np
img = cv2.imread(r"image\dilation.bmp", cv2.IMREAD_UNCHANGED)
# 卷积核
kernel = np.ones((5,5), np.uint8)
# 图像膨胀
dilation = cv2.dilate(img, kernel, iterations=5)
cv2.imshow("original", img)
cv2.imshow("dilation", dilation)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像膨胀的实验结果：

三、开运算

先腐蚀后膨胀，能够有效去除噪声，并保持原有图像形状不变。

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

1. img：源图像
2. cv2.MORPH_OPEN：开运算标识
3. kernel：卷积核

例如，生成一个5×5的卷积核：

kernel = np.ones((5,5), np.uint8)

import cv2
import numpy as np
img = cv2.imread(r"image\opening.bmp", cv2.IMREAD_UNCHANGED)
# 卷积核
kernel = np.ones((10,10), np.uint8)
# 开运算，先腐蚀后膨胀
result = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.imshow("original", img)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

开运算的实验结果：

四、闭运算

先膨胀后腐蚀，有助于关闭物体内的小孔，或物体上的小黑点，并保持原有图像形状不变。

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

1. img：源图像
2. cv2.MORPH_CLOSE：闭运算标识
3. kernel：卷积核

例如，生成一个5×5的卷积核：

kernel = np.ones((5,5), np.uint8)

import cv2
import numpy as np
img = cv2.imread(r"image\closing.bmp", cv2.IMREAD_UNCHANGED)
# 卷积核
kernel = np.ones((10,10), np.uint8)
# 闭运算，先膨胀后腐蚀
result = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imshow("original", img)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

闭运算的实验结果：

五、梯度运算

通过对原始图像分别进行膨胀和腐蚀处理，得到梯度图像 = 膨胀图像 - 腐蚀图像。

函数morphologyEx：
result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

1. img：源图像
2. cv2.MORPH_GRADIENT：梯度运算标识
3. kernel：卷积核

例如，生成一个5×5的卷积核：

kernel = np.ones((5,5), np.uint8)

import cv2
import numpy as np
img = cv2.imread(r"image\gradient.bmp", cv2.IMREAD_UNCHANGED)
# 卷积核
kernel = np.ones((10,10), np.uint8)
# 梯度运算，梯度图像 = 膨胀图像 - 腐蚀图像
result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.imshow("original", img)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

梯度运算的实验结果：

六、礼帽操作

通过对原始图像进行开运算处理，得到礼帽图像 = 原始图像 - 开运算图像。

函数morphologyEx：
result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

1. img：源图像
2. cv2.MORPH_TOPHAT：礼帽操作标识
3. kernel：卷积核

例如，生成一个5×5的卷积核：

kernel = np.ones((5,5), np.uint8)

import cv2
import numpy as np
img = cv2.imread(r"image\tophat.bmp", cv2.IMREAD_UNCHANGED)
# 卷积核
kernel = np.ones((5,5), np.uint8)
# 礼帽操作，礼帽图像 = 原始图像 - 开运算图像
result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow("original", img)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

礼帽操作的实验结果：

七、黑帽操作

通过对原始图像进行闭运算处理，得到黑帽图像 = 闭运算图像 - 原始图像。

函数morphologyEx：
result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

1. img：源图像
2. cv2.MORPH_BLACKHAT：黑帽操作标识
3. kernel：卷积核

例如，生成一个5×5的卷积核：

kernel = np.ones((5,5), np.uint8)

import cv2
import numpy as np
img = cv2.imread(r"image\blackhat.bmp", cv2.IMREAD_UNCHANGED)
# 卷积核
kernel = np.ones((10,10), np.uint8)
# 黑帽操作，黑帽图像 = 闭运算图像 - 原始图像
result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow("original", img)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

黑帽操作的实验结果：

更多资料:https://github.com/0voice