【Opencv–形态学操作】膨胀、腐蚀、开/闭操作

文章目录

【Opencv--形态学操作】膨胀、腐蚀、开/闭操作
- 1. 介绍
- 2. 形态学操作
- - 2.1 腐蚀和膨胀
  - - 2.1.1 腐蚀
    - 2.1.2 膨胀
    - 2.1.3 代码示例
  - 2.2 开/闭操作
  - - 2.2.1 开操作
    - 2.2.2 闭操作
    - 2.2.3 代码示例
  - 2.3 礼帽和黑帽
  - - 2.3.1 礼帽运算
    - 2.3.2 黑帽运算
    - 2.3.3 函数
- 3. 总结
- 4. 参考

1. 介绍

在使用opencv做图像处理的时候，我们经常会需要用到一些基础的图像形态学操作腐蚀、膨胀。通过这些基本的形态学操作我们可以实现去噪以及图像的切割等。
形态学变换是基于图像形状的基础变换，它只能在二值图像上做处理。形态学操作需要两个输入：输入图像和structuring element（kernel），structuring element（kernel）决定我们做何种形态学处理的操作。
腐蚀和膨胀是形态学处理的基础操作，而开/闭运算、礼帽黑帽是基于腐蚀和膨胀的变种操作。

2. 形态学操作

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。
总结就是：膨胀是求局部最大值的操作，腐蚀是求局部最小值的操作。

2.1.1 腐蚀

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对应像素做“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：

在这里插入图片描述

作用：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。
函数：cv.erode(img,kernel,iterations)
参数：
- img：要处理的图像
- kernel：核结构（上图结构B）
- iterations：腐蚀的次数，默认是1。

2.1.2 膨胀

用一个结构元素扫描图像中的每一个像羹，用结构元素中的每一个像素与其覆盖的对应像素做 “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膨胀后:
在这里插入图片描述

作用：将与物体接触的所有背景点合并到物体中，使目标增大，可填补目标中的孔洞。
函数：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。

2.1.3 代码示例

import numpy as np
import cv2 as cv

img = cv.imread("./img/1.jpg")

# 创建核结构
kernel = np.ones((5,5),np.uint8)

# 腐蚀和膨胀
erosion = cv.erode(img,kernel)  #腐蚀
dilate = cv.dilate(img,kernel)  #膨胀

cv2.imshow('1', img)  # 原图
cv2.imshow('2', erosion)  # 腐蚀后
cv2.imshow('3', dilate)  # 膨胀后

2.2 开/闭操作

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（先闭后开）并不能得到原来的图像。

2.2.1 开操作

先腐蚀后膨胀。
作用：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。

2.2.2 闭操作

先膨胀后腐蚀。
作用：消除"闭合"物体里面的孔洞。
特点：可以填充闭合区域。

2.2.3 代码示例

函数：cv.morphologyEx(img, op, kernel)

参数：
- img：要处理的图像。
- 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
- Kernel（核结构）：按照该核结构（模板）去进行运算，上述的结构B。

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread("./img/1.jpg")

# 创建核结构
kernel = np.ones((5,5),np.uint8)

#图像的开闭运算
cvOPen = cv.morphologyEx(img,cv.MORPH_OPEN,kernel)  #开运算
cvClose = cv.morphologyEx(img,cv.MORPH_CLOSE,kernel)  #闭运算

#图像展示
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(15, 10))
axes[0].imshow(img[:,:,::-1]), axes[0].set_title("原图")
axes[1].imshow(cvOPen[:,:,::-1]), axes[1].set_title("开运算")
axes[2].imshow(cvClose[:,:,::-1]), axes[2].set_title("闭运算")
plt.show()

2.3 礼帽和黑帽

2.3.1 礼帽运算

原图像与开运算结果之差，如下式计算:

$d s t = t o p ha t (src, e l e m e n t) = src - o p e n (src, e l e m e n t)$

由于开运算可能会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。

2.3.2 黑帽运算

“闭运算“的结果图与原图像之差，如下式计算:

$d s t = b l a c kha t (src, e l e m e n t) = c l ose (src, e l e m e n t) - src$

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。

黑帽运算可以用来分离比邻近点暗一些的斑块。

2.3.3 函数

cv.morphologyEx(img, op, kernel)

参数：
	img：要处理的图像
	op：处理方式
		闭运算：cv.MORPH_CLOSE
		开运算：cv.MORPH_OPEN
		礼帽运算：cv.MORPH_TOPHAT
		黑帽运算：cv.MORPH_BLACKHAT
	Kernel：核结构