OpenCV 计算机视觉之图像基本操作（三）

形态学

形态学的基本思想是利用一种特殊的结构元（个人认为也可以当做一个卷积核）来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别。形态学方法的基础是集合论。将数学形态学作为工具，从图像中提取用于表达和描绘区域形状的图像成分，如边界、骨架等。
形态学的基本操作有腐蚀操作、膨胀操作、开操作、闭操作

---

腐蚀操作

用下图的B作为结构元，以黑点为中心，在A图上扫一遍，如果B中完全落在A上，则中心位置（也就是黑点位置的像素保留），否则腐蚀掉（也就是舍去）。如图C所示，当B运算在A上的第一个位置时，因为B没有全部落在A上，所以1这个位置就被腐蚀掉。
在数学上，其实也就是如果B与A的交集仍然是A，则保留，否则为0。最后保留的这些点构成了被腐蚀操作后的结果（也就是图D）。

我们可以使用OpenCv中的以下函数来实现：
cv2.erode(src, kernel,dst,anchor,iterations,borderType,borderValue)
其中：
src: 输入图像（二值图像）
kernel: 结构元，用np.ones()去生成，默认是一个3×3的矩阵。也可以用CV2.getStructuringElement()去生成，这个函数的第一个参数是内核的形状，有三种选择，分别是矩形MORPH_RECT、交叉形MORPH_CROSS、椭圆形MORPH_ELLIPSE。第二个参数是内核大小。

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))  # 椭圆结构
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))  # 十字结构
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 矩形结构

iteration: 指的是腐蚀次数。默认为1

实例演示

具体代码：

import numpy as np
import cv2
img_original = cv2.imread("uuuu.jpg")
# kernal = np.ones((5,5),np.uint8)       这也是一种设置核的方式
kernal= cv2.getStructuringElement(cv2.MORPH_RECT,(7,7))
esions = cv2.erode(img_original,kernal,iterations=1)
img = np.hstack((img_original,esions))
cv2.imshow("esions",img)
cv2.waitKey(0)

不仅毛刺没有了，而且发现圆圈的线条也变细致了，这就是腐蚀操作。

膨胀操作

在输入图像A和结构元B做运算的时候，B只要保证和A有接触就可以了，和A一点也不接触就不行，比如F图这个位置就不可以，E图就可以。最后将B中和A接触的部分加入到A中，A就会比运算之前的A变得更“胖”，这就是膨胀。比如下图：

实例

由于之前腐蚀操作，所以原来的圆圈线条变得更细了，而且出现了断点，所以我们再利用腐蚀后的图去实际操作以下膨胀操作，具体代码如下：

import numpy as np
import cv2
img_original = cv2.imread("uuuu.jpg")
#kernal = np.ones((5,5),np.uint8)
kernal= cv2.getStructuringElement(cv2.MORPH_RECT,(8,8))
esions = cv2.erode(img_original,kernal,iterations=1)
kernal1 = cv2.getStructuringElement(cv2.MORPH_RECT,(8,8))
dilate = cv2.dilate(esions,kernal1)
img = np.hstack((img_original,esions,dilate))
cv2.imshow("dilate",img)
cv2.waitKey(0)

效果（发现圆圈又比操作之前变得胖了）：

开操作

开操作就是先来个腐蚀操作，然后再继续做个膨胀操作。
它的作用就是具有消除细小物体，在纤细处分离物体和平滑较大物体边界
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

闭操作

闭操作就是先来个膨胀操作，然后再继续做个腐蚀操作。
它的作用就是填充物体内细小空洞，连接邻近物体和平滑边界的作用，也可以消除前景物体上面的小黑点。
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

实际运用：

比如对于带有噪点的指纹图，我们可以先利用腐蚀操作去除噪点，然后再利用膨胀操作去填充由于腐蚀操作带来的新的断点。就如下图做过开操作的指纹图一样。

梯度运算

图像形态学中的梯度运算是一个组合函数，就像前面涉及到的开运算和闭运算一样。梯度运算是膨胀减去腐蚀的运算，我们会得到一个轮廓的结果。（想像一下从膨胀后的图像减去腐蚀过的图像，其实也就是将大家共有的部分都剔除出去，那么最后剩下的也就只有轮廓了）。

1. 先不用库中的梯度运算函数去实验，我们用膨胀减去腐蚀进行操作。代码如下：

import numpy as np
import cv2
img_original = cv2.imread("uuuu.jpg")
kernal = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
img_dilate = cv2.dilate(img_original,kernal)
img_erode = cv2.erode(img_original,kernal)
img_gradient  = img_dilate - img_erode
img = np.hstack((img_original,img_dilate,img_erode,img_gradient))
cv2.imshow("gradient",img)
cv2.waitKey(0)

结果：（依次为原图、膨胀、腐蚀、膨胀-腐蚀）

2.现在我们用cv2中的梯度运算的函数去实现

img_gradient = cv2.morphologyEx(img_original,cv2.MORPH_GRADIENT,kernal)
函数原型：morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

结果（左边：原图，右边：梯度运算的结果）：

礼帽运算

礼帽运算 = 原始输入 - 开运算结果
代码：

import cv2
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
#解决中文乱码
font_set = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=15)
img_original = cv2.imread("uuuu.jpg")
kernal = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
img_dilate = cv2.dilate(img_original,kernal)
img_erode = cv2.erode(img_original,kernal)
img_open = cv2.morphologyEx(img_original,cv2.MORPH_OPEN,kernal)
tophat = img_original - img_open
tophat_func = cv2.morphologyEx(img_original,cv2.MORPH_TOPHAT,kernal)
titles = ["原始图像","开运算","组合","函数"]
imgs = [img_original,img_open,tophat,tophat_func]
for i in range(4):
    plt.subplot(1,4,i+1)
    plt.imshow(imgs[i])
    plt.title(titles[i],fontproperties=font_set)
    plt.xticks([])
    plt.yticks([])
plt.show()

结果：

黑帽运算

黑帽运算 = 闭运算 - 原始输入
代码：

import numpy as np
import cv2
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
#解决中文乱码
font_set = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=15)
img_original = cv2.imread("uuuu.jpg")

img_close = cv2.morphologyEx(img_original,cv2.MORPH_CLOSE,(3,3))
tophat = img_close - img_original
tophat_func = cv2.morphologyEx(img_original,cv2.MORPH_BLACKHAT,(3,3))
titles = ["闭运算","原始输入","组合","函数"]
imgs = [img_close,img_original,tophat,tophat_func]
for i in range(4):
    plt.subplot(1,4,i+1)
    plt.imshow(imgs[i])
    plt.title(titles[i],fontproperties=font_set)
    plt.xticks([])
    plt.yticks([])
plt.show()

结果：