目标

在本章中，

我们将学习不同的形态学操作，例如腐蚀、膨胀、开运算、闭运算等。
我们将看到不同的函数，例如：cv.erode()、cv.dilate()、cv.morphologyEx() 等。

理论

形态学变换是一些基于图像形状的简单操作。它通常在二值图像上执行。它需要两个输入，一个是我们的原始图像，第二个称为结构元素或内核，它决定操作的性质。两种基本的形态学算子是腐蚀和膨胀。然后是它的变体形式，如开运算、闭运算、梯度等。我们将借助下图逐一了解它们。

图像

1. 腐蚀

腐蚀的基本思想就像土壤侵蚀一样，它会侵蚀掉前景对象的边界（始终尝试将前景保持为白色）。那么它做了什么？内核在图像上滑动（如在二维卷积中）。只有当内核下的所有像素都为 1 时，原始图像中的像素（1 或 0）才会被认为是 1，否则它会被腐蚀（设置为零）。

所以会发生什么情况是，所有靠近边界的像素都会根据内核的大小被丢弃。因此，前景对象的厚度或大小减小，或者图像中白色区域减小。它对于去除小的白色噪声（正如我们在色彩空间章节中看到的那样）、分离两个连接的对象等非常有用。

这里，作为一个例子，我将使用一个充满 1 的 5x5 内核。让我们看看它是如何工作的。

import cv2 as cv
import numpy as np
 
img = cv.imread('j.png', cv.IMREAD_GRAYSCALE)
assert img is not None, "文件无法读取，请使用os.path.exists()检查"
kernel = np.ones((5,5),np.uint8)
erosion = cv.erode(img,kernel,iterations = 1)

结果

图像

2. 膨胀

它与腐蚀正好相反。在这里，如果内核下至少有一个像素为“1”，则像素元素为“1”。因此它增加了图像中的白色区域，或者前景对象的大小增加。通常，在诸如噪声去除的情况下，腐蚀之后是膨胀。因为，腐蚀去除了白色噪声，但它也缩小了我们的对象。所以我们膨胀它。由于噪声消失了，它们就不会回来了，但我们的对象面积增加了。它也用于连接对象的断裂部分。

dilation = cv.dilate(img,kernel,iterations = 1)

cv::dilate

void dilate(InputArray src, OutputArray dst, InputArray kernel, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())

使用特定的结构元素膨胀图像。

结果

图像

3. 开运算

开运算只是先腐蚀后膨胀的另一种说法。正如我们上面解释的那样，它用于去除噪声。在这里，我们使用函数cv.morphologyEx()

opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

cv::morphologyEx

void morphologyEx(InputArray src, OutputArray dst, int op, InputArray kernel, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())

执行高级形态学变换。

结果

图像

4. 闭运算

闭运算是开运算的逆运算，先膨胀后腐蚀。它用于闭合前景对象内的细小孔洞，或对象上的细小黑点。

closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

结果

图像

5. 形态学梯度

它是图像膨胀和腐蚀之间的差异。

结果将看起来像对象的轮廓。

gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

结果

图像

6. 顶帽

它是输入图像和图像开运算之间的差异。以下示例针对 9x9 内核。

tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

结果

图像

7. 黑帽

它是输入图像闭运算和输入图像之间的差异。

blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

结果

图像

结构元素

在前面的示例中，我们借助 Numpy 手动创建了结构元素。它是矩形形状。但在某些情况下，您可能需要椭圆形/圆形内核。为此，OpenCV 提供了一个函数，cv.getStructuringElement()。您只需传入内核的形状和大小，即可获得所需的内核。

# 矩形内核
>>> cv.getStructuringElement(cv.MORPH_RECT,(5,5))
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
[1, 1, 1, 1, 1]], dtype=uint8)
 
# 椭圆形内核
>>> cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
数组([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
[0, 0, 1, 0, 0]], dtype=uint8)
 
# 十字形内核
>>> cv.getStructuringElement(cv.MORPH_CROSS,(5,5))
数组([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
[0, 0, 1, 0, 0]], dtype=uint8)

额外资源

HIPR2上的形态学运算