形态学处理

形态学处理的相关内容

（1）基于图像形态进行处理的一般方法

（2）这些处理方法基本是对二进制图像进行处理

（3）卷积核决定着图像处理后的结果

形态学图像处理

（1）腐蚀（简单来说就是黑色图像的部分腐蚀掉白色部分，黑色部分变大）和膨胀（与腐蚀相反，白色部分变大）

（2）开运算：就是先腐蚀后膨胀这样一个组合运算

（3）闭运算：就是先膨胀后腐蚀这样一个组合运算

（4）顶帽，黑帽

图像二值化

为什么要学习二值？刚刚在上面就提到，我们在对图像进行形态学处理的时候需要对图像处理，而这个图像最好就是二进制图像。

图像二值化相关知识

（1）二值化就是将图像每个像素变成两种值。如0，255

（2）全局二值化：就是对整张图片进行操作，超过一定的值就变成255，低于这个值就变成0。不让中间有灰度图像。

（3）局部二值化：就是对图像先分割成很多块，每一块都不一样。

二值化API：threshold（img，thresh，maxVal，type）

img：就是图像，是灰度图

thresh：阈值

maxVal：高于阈值变maxVal，低于阈值变0

type：THRESH_BINARY 高于阈值变最大值低于变最小值 THRESH_BINARY_INV与前一种反向高于变最小值，低于变最大值 THRESH_TRUNC THRESH_TPZERO THRESH_TOZERO_INV

上图中第一个图像时原图，第二个与第三个是 THRESH_BINARY，THRESH_BINARY_INV。我们可以看出当高于阈值时，BINARY变成设定最大值，BINARY_INV变成设定最小值，低于阈值时，BINARY变成设定最小值，BINARY_INV变成设定最大值。第三个是TRUNC ，它其实就不是二值化图像了，它在低于阈值时不变，高于阈值时全部变为设定的阈值，进行消峰处理。第四个和第五个是THRESH_TPZERO_INV，THRESH_TPZERO，TPZERO_INV在未达到阈值时不变，达到阈值时变为最小值，TPZERO在未达到阈值时变为最小值，达到阈值时不变。

图像二值化实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/fushipzhang.png')
img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# #自己设置阈值大小 thresh
ret, dst = cv2.threshold(img1, 100, 255, cv2.THRESH_BINARY)
# # ret,dst=cv2.threshold(img1,100,255,cv2.THRESH_BINARY_INV) #黑白颜色变换
# print(ret)

cv2.imshow('img', img)
cv2.imshow('gray', img1)
cv2.imshow('dst', dst)

cv2.waitKey(0)

最终输出的结果如上，大家可以自己选择不同的阈值进行尝试，看看会出现什么样的区别。

腐蚀

腐蚀的相关知识

腐蚀的原理：其实腐蚀就是一个卷积核去扫描整个图像，只有当卷积核扫描到的全为1的时候，此时卷积核中心才为1，否则只要有0就为0.也就是说，当我扫描图像时，扫描全为白色时，才为白色，否则就是黑色，因此可以想象出来，黑色注定会腐蚀掉原图中旁边有黑色的白色。

这就是进过腐蚀后出现的现象，可以看出，黑色腐蚀了一部分的白色。

腐蚀的API： erode（img，kernel，iterations=1）

img：对哪张图像进行膨胀

kernel：卷积核大小

iterations：卷积的次数

腐蚀实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/erode.png')

# 腐蚀 矩阵中全为1 只有当图像中一块全为1时 才会被腐蚀为1 （一块白才为白） kernel是卷积核
# #手动设置卷积核
kernel=np.ones((9,9),np.uint8)

img1 = cv2.erode(img, kernel, iterations=1)

cv2.imshow('img', img)
cv2.imshow('img1', img1)

cv2.waitKey(0)

我们思考是否和我们原理是相同的，黑色注定会腐蚀掉旁边的白色，所以从第一张图到第二张图，蜘蛛白色的八肢被腐蚀掉，并且黑色的眼睛变大了。大家也可以改变kernel的大小，看看会出现什么情况。

卷积核的类型

卷积核类型相关知识

刚刚我们在腐蚀操作中自己设置了卷积核，但其实opencv有自带的卷积核，我们可以直接调用

获得卷积核API：getStructuringElement（type，size）

type：卷积核类型 MORPH_RACT(矩形) MORPH_ELLIPSE(椭圆形) MORPH_CROSS(十字形)

size：卷积核大小（3，3）（5，5）……

卷积核类型实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/erode.png')

# 从opencv中获得卷积核 cv2.getStructuringElement(type，size)
# MORPH_RECT矩形 MORPH_ELLIPSE椭圆形 MORPH_CROSS交叉十字    size值为（3，3）.（5，5）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 9))
# kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9, 9))
# kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (9, 9))
# print(kernel)   #结果是一个全1的九成九的矩阵

img1 = cv2.erode(img, kernel, iterations=1)

cv2.imshow('img', img)
cv2.imshow('img1', img1)

cv2.waitKey(0)

此时我们选取的时 MORPH_RACT(矩形) 这样的卷积核，并且我们设置的大小时（9，9），此时得出的图片与我们腐蚀部分自己设置的kernel最终结果时相同的，因为都是9x9的矩阵。大家也可以尝试不同的type看看结果有什么不同。

膨胀

膨胀的相关知识

膨胀就是把白色膨胀了，在卷积核扫过的区域只要有白色就变成白色。所以可以看出上图经过膨胀后白色变大了。

膨胀API：dilate（img，kernel，iterations=1）

img：对哪个图像进行膨胀

kernel：卷积核大小

iterations：卷积的次数

膨胀实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/erode.png')

# 膨胀 只要矩阵内有1（白）整个区域都会变成白色
# kernel=np.ones((3,3),np.uint8)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))
dst = cv2.dilate(img, kernel, iterations=1)

cv2.imshow('img', img)
cv2.imshow('dst', dst)
# cv2.imshow('dst1',dst1)

cv2.waitKey(0)

原本的小瘦子变成了小胖子。白色的部分进行了膨胀，得到了我们想要的结果。

大家思考在正常情况下，我先腐蚀，再膨胀，如果其中kernel是相同的，type是相同的，那是否会得到相同的结果？

不一定，如果进行腐蚀，图像每个部分的特征都保留下来了，那进行相反的膨胀结果是相同的，但是如果想我们上面这个图，蜘蛛的眼睛进过膨胀消失了，相反的腐蚀不会出现眼睛了，那结果就不相同了。

开运算

开运算=腐蚀＋膨胀

开运算相关知识

开运算有什么用？

上图就是开运算的作用，在保持我需要的图像不变的情况下，消除旁边白色的噪点。

先腐蚀，黑色把白色的小点腐蚀掉后，此时中间的图像也会变瘦，之后进行膨胀，中间图像恢复到原状，但是由于一开始腐蚀已经去掉了白色的小点，那膨胀并不会使消失的小白点出现，所以就完成了保留主要图案，消除白色小点的任务。

开运算API： morphologyEx（img，MORPH_OPEN，kernel）

img：对哪张图片进行开运算

MORPH_OPEN：开运算

kernel：卷积核大小

开运算实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/erode.png')

# 膨胀 只要矩阵内有1（白）整个区域都会变成白色
# kernel=np.ones((3,3),np.uint8)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

# #开运算 （先腐蚀后膨胀）（有很多白色的噪点，通过开运算进行消除）
dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)

开运算先腐蚀，把脚都给腐蚀掉了，膨胀也没恢复回来。

闭运算

闭运算=膨胀+腐蚀

闭运算相关知识

闭运算有什么用？

把不要的黑色小点去掉。

如图中，中心这个人的图像希望保留，但是人里面的黑色小点想要去除。就可以使用闭运算。

先膨胀，白色把黑色的小点膨胀掉后，此时中间的图像会变胖，之后进行腐蚀，中间图像恢复到原状，但是由于一开始膨胀已经去掉了黑色的小点，那腐蚀并不会使消失的小黑点出现，所以就完成了保留主要图案，消除黑色小点的任务。

闭运算API： morphologyEx（img，MORPH_CLOSE，kernel）

img：对哪张图片进行开运算

MORPH_CLOSE：闭运算

kernel：卷积核大小

闭运算实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/erode.png')

# kernel=np.ones((3,3),np.uint8)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

# #闭运算（先膨胀后腐蚀）（有很多黑色的噪点，通过闭运算进行消除）
dst1 = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('img', img)
cv2.imshow('dst1', dst1)

cv2.waitKey(0)

开运算先膨胀，把小蜘蛛的小眼睛给膨胀消失了，后腐蚀使蜘蛛大小恢复。

形态学梯度

梯度=原图—腐蚀

形态学梯度相关知识

腐蚀会使原来的人变小，那用原图减去变小后的图片，就得到了这个人的边沿。

梯度API：morphologyEx（img，MORPH_GRADIENT,kernel）

形态学梯度实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/erode.png')

# kernel=np.ones((3,3),np.uint8)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

# #梯度 (原图-腐蚀后的图）
dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)

大家思考是不是应该得到上面的图像，首先进行腐蚀四肢变细了，后面使用原图减去腐蚀的图像得到结果。

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

我把kernel大小改成7x7，结果会变成下图。

是否是这样的，大家思考？

顶帽运算与黑帽运算

顶帽运算与黑帽运算相关知识

顶帽=原图—开运算

只想要这个小的方块，不想要大的，就可以使用顶帽运算。

顶帽运算API：morphologyEx（img，MORPH_TOPHAT，kernel）

黑帽=原图—闭运算

得到大块中的黑色的小噪点。

黑帽运算API：morphologyEx（img，MORPH_BLACKHAT，kernel）

顶帽运算与黑帽运算实战代码

顶帽：

import cv2
import numpy as np

img = cv2.imread('../MM/tophat.png')

# kernel=np.ones((3,3),np.uint8)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (19, 19))
# dst = cv2.dilate(img, kernel, iterations=1)

# 顶帽运算（原图-开运算）保留了白色的噪点
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

cv2.imshow('img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)

顶帽运算后留下了小的方块，但是在这种操作中需要注意kernel大小的选择，需要进行尝试。

黑帽：

import cv2
import numpy as np

img = cv2.imread('../MM/dotinj.png')

# kernel=np.ones((3,3),np.uint8)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

# 黑帽运算（原图-闭运算）保留了黑色的噪点
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

cv2.imshow('img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)