苦学Opencv的第十一天：图像的形态学操作

Python OpenCV从入门到精通学习日记：图像的形态学操作

前言

图像形态学是图像处理中的一个重要分支，主要关注图像中物体的形状和结构。通过形态学操作，我们可以对图像进行有效的分析和处理，例如图像的腐蚀与膨胀、开运算与闭运算等。腐蚀和膨胀是图像形态学中的两种核心操作，通过这两种操作可以清除或强化图像中的细节。合理使用腐蚀和膨胀，还可以实现图像开运算、闭运算、梯度运算、顶帽运算和黑帽运算等极具特点的操作。接下来开始学习吧！！！

因为内容较多，我列举了目录，如下：

图像的形态学操作

Python OpenCV从入门到精通学习日记：图像的形态学操作
前言
1 腐蚀
2 膨胀
3 开运算
4 闭运算
5 形态学运算
- 5.1 梯度运算
- 5.2 顶帽运算
- 5.3 黑帽运算
小结

1 腐蚀

腐蚀操作可以让图像沿着自己的边界向内收缩。OpenCV通过“核”来实现收缩计算。“核”的英文名为kernel，在形态学中可以理解为“由n个像素组成的像素块”，像素块包含一个核心（核心通常在中央位置，也可以定义在其他位置）。像素块在图像的边缘移动，在移动过程中，核会将图像边缘那些与核重合但又没有越过核心的像素点都抹除，效果类似图12.1所示的过程，就像削土豆皮一样，将图像一层一层地“削薄”。（这里借用书上原图）

在这里插入图片描述
OpenCV将腐蚀操作封装成erode()方法。

dst = cv2.erode(src, kernel, anchor, iterations,borderType, borderValue)

src: 输入图像。
kernel: 腐蚀使用的核，可以自定义或使用OpenCV提供的预设。
anchor：可选参数，核的锚点位置。
iterations: 腐蚀操作的迭代次数，默认为1。
borderType: 边界处理方式，默认为cv2.BORDER_CONSTANT。
borderValue: 边界值，默认为0。

图像经过腐蚀操作之后，可以抹除一些外部的细节，如图12.2所示是一个卡通小蜘蛛，如果用一个5×5的像素块作为核对小蜘蛛进行腐蚀操作，可以得到如图12.3所示的结果。小蜘蛛的腿被当成外部细节抹除了，同时小蜘蛛的眼睛变大了，因为核从内部也“削”了一圈。
在这里插入图片描述
在OpenCV做腐蚀或其他形态学操作时，通常使用numpy模块来创建核数组。
比如：

 import numpy as np
 k = np.ones((5, 5), np.uint8)

这两行代码什么意思可以去看我前面的文章：链接: 苦学Opencv的第三天：像素的操作

这个数组作为erode()方法的核参数。除了5×5的结构，还可以使用3×3、9×9、11×11等结构，行列数越大，计算出的效果就越粗糙，行列数越小，计算出的效果就越精细。

代码示例：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.png', 0)

# 创建结构元素
kernel = np.ones((3,3), np.uint8)

# 腐蚀操作
eroded_img = cv2.erode(img, kernel)

# 显示结果
cv2.imshow('Eroded Image', eroded_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下：

🌟可以看出，仙人掌的刺并没有因此消失，但是刺明显变得模糊不清了。

2 膨胀

膨胀操作与腐蚀操作正好相反，它通过使用核来“扩展”图像的边界。

OpenCV将膨胀操作封装成dilate()方法。

dst = cv2.dilate(src, kernel, anchor, iterations,borderType, borderValue)

参数说明：
　src：原始图像。
　kernel：膨胀使用的核。
　anchor：可选参数，核的锚点位置。
　iterations：可选参数，腐蚀操作的迭代次数，默认值为1。
　borderType：可选参数，边界样式，建议默认。
　borderValue：可选参数，边界值，建议默认。
返回值说明：
　dst：经过膨胀之后的图像。

膨胀的效果也正好是与腐蚀相反。这里不多加介绍了，直接放个图像，大家就知道什么意思了。
在这里插入图片描述

代码示例：

# 膨胀操作
import cv2
import numpy as np

# 读取图像
img = cv2.imread('xianrenzhang.png')
cv2.imshow("img",img)
# 创建结构元素
kernel = np.ones((10,10), np.uint8)

# 腐蚀操作
dilated_img = cv2.dilate(img, kernel)

# 显示结果
cv2.imshow('Dilated Image', dilated_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下：

🌟这里可以看出，过度膨胀后的图像就好像近视眼的世界，图像变得非常模糊。

3 开运算

开运算是先进行腐蚀操作，再进行膨胀操作，开运算可以用来抹除图像外部的细节（或者噪声）。

我们举个例子，这是一个二叉树：
在这里插入图片描述
我们先对齐进行腐蚀操作，那么连接的细线会因为腐蚀而消失

在这里插入图片描述
随后我们进行膨胀操作

在这里插入图片描述
🌟从结果中可以明显地看出：经过开运算之后，二叉树中的连接线消失了，只剩下光秃秃的节点。因为连接线被核当成“细节”抹除了，所以利用检测轮廓的方法可以统计二叉树节点数量，也就是说在某些情况下，开运算的结果还可以用来做数量统计。

4 闭运算

闭运算是先进行膨胀操作，再进行腐蚀操作，闭运算可以抹除图像内部的细节（或者噪声）。

闭运算正好与开运算相反。我们在这举个例子：假设有只身上有斑点的小蜘蛛
在这里插入图片描述
我们先对其膨胀

在进行腐蚀

🌟从结果中可以明显地看出：经过闭运算后，小蜘蛛身上的花纹都被抹除了，就连眼睛也被当成“细节”抹除了。闭运算除了会抹除图像内部的细节，还会让一些离得较近的区域合并成一块区域。

5 形态学运算

除了基本的腐蚀和膨胀操作，OpenCV还提供了梯度运算、顶帽运算和黑帽运算等高级形态学操作。OpenCV 提供了一个morphologyEx()形态学方法，包含所有常用的运算，其语法如下：

dst = cv2.morphologyEx(src, op, kernel, anchor,iterations, borderType, borderValue)

参数说明：
　src：原始图像。
　op：操作类型，具体值如表所示。
　kernel：操作过程中使用的核。
　anchor：可选参数，核的锚点位置。
　iterations：可选参数，迭代次数，默认值为1。
　borderType：可选参数，边界样式，建议默认。
　borderValue：可选参数，边界值，建议默认。
返回值说明：
　dst：操作之后得到的图像。

参数值	含义
CV2.MORPH_ERODE	腐蚀操作
CV2.MORPHDILATE	膨胀操作
CV2.MORPH_OPEN	开运算，先腐蚀后膨胀
CV2.MORPHCLOSE	闭运算，先胀后腐蚀
CV2.MORPH_GRADIENT	梯度运算，膨胀图减腐蚀图
CV2.MORPHTOPHAT	顶幅运算，原始图减开运算图
CV2.MORPHBLACKHAT	黑幅运算，闭运算图减原始图

morphologyEx()方法实现的腐蚀、膨胀、开运算和闭运算效果与前文中介绍的效果完全一致，这里不再赘述，下面我们学习3个特点鲜明的操作：梯度运算、顶帽运算和黑帽运算。

5.1 梯度运算

这里的梯度是指图像梯度，可以简单地理解为像素的变化程度。如果几个连续的像素，其像素值跨度越大，则梯度值越大。

梯度运算是通过膨胀图像减去原始图像来突出显示图像的边缘。

通俗的讲，梯度运算的运算过程就是：让原图的膨胀图减去腐蚀图，因为膨胀图比原图大，腐蚀图比原图小，利用腐蚀图将膨胀图掏空，就得到了原图的轮廓图。当然，这只能等到一个大概的轮廓图，是不精准的。

具体的代码只是在前面的代码中修改函数为morphology(),在这里不再赘述。

5.2 顶帽运算

顶帽运算是原始图像减去开运算后的图像，用于提取图像的外部细节。

5.3 黑帽运算

黑帽运算是闭运算后的图像减去原始图像，用于提取图像的内部细节。

代码示例：

# 梯度运算
gradient_img = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

# 顶帽运算
tophat_img = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

# 黑帽运算
blackhat_img = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

# 显示结果
cv2.imshow('Gradient Image', gradient_img)
cv2.imshow('Top Hat Image', tophat_img)
cv2.imshow('Black Hat Image', blackhat_img)
cv2.waitKey(0)
cv2.destroyAllWindows()