【Opencv–形态学操作】膨胀、腐蚀、开/闭操作

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：

• 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:

• 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 cvimg = 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 pltimg = 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:

$dst=tophat(src,element)=src-open(src,element)$

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:

$dst=blackhat(src,element)=close(src,element)-src$

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_BLACKHATKernel：核结构

3. 总结

• 腐蚀和膨胀∶
  • 腐蚀：求局部最大值
  • 膨胀：求局部最小值
• 开闭运算:
  • 开：先腐蚀后膨胀
  • 闭：先膨胀后腐蚀
• 礼帽和黑帽:
  • 礼帽：原图像与开运算之差
  • 黑帽：闭运算与原图像之差

4. 参考

【1】https://blog.csdn.net/qq_50620084/article/details/124526983