系列所有代码，复制粘贴即可运行。
希望有能力的朋友还是拿C++运行一下。

本节讨论图像的二值化，局部二值化，膨胀，腐蚀，开运算，闭运算，顶帽，黑帽等

形态学

仍然是利用卷积核，来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别，基本操作有（基本都处理二进制图像）：

• 膨胀和腐蚀
• 开运算
• 闭运算
• 顶帽
• 黑帽

---

• 形态学的魅力就在于可以获取各种形态的图形，感兴趣区域，噪点等

1. 二值化

1.1 图像全局二值化

threshold(src, thresh, maxval, type[,dst])

• src: 灰度图
• thresh:阈值
• maxval:最大值
• type:操作类型，开窗，截断等

import cv2
import numpy as np

img = cv2.imread('cat.jpeg')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 阈值  处理后图片
ret, dst = cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY)
#print(dst)
cv2.imshow('dog', np.hstack((gray, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

1.2 自适应二值化

同一图像上，不同部分具有不同亮度时。根据图像上每一个小区域计算与其对应的阈值，从而能在亮度不同的情况下得到更好的结果

• adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
  • adaptiveMethod:指定计算阈值的方法
    1. cv2.ADPTIVE_THRESH_MEAN_C:阈值取自相邻区域平均值
    2. cv2.ADPTIBE_THRESH_GAUSSIAN_C:阈值取自相邻区域的加权和，权重为一高斯窗口
  • Block Size: 邻域（卷积核）大小
  • C: 阈值等于计算结果加上这个常数

#自适应阈值只返回一个值,即二值化后的图像
##这里的kernel size仍然只是一个数
dst = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV,21,0)
#print(dst)
1
2
3
4

2. 腐蚀

腐蚀操作也是用卷积核扫描图像，大部分腐蚀操作的卷积核内数字都是1，卷积操作就是相乘再相加

• 核中1所在的位置：全白(255)才为白，有黑(0)则为黑
• erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])

1. iterations是腐蚀操作的迭代次数，次数越多，效果越明显
2. 腐蚀操作是放大暗部

2.1 自定义kernel

import cv2
import numpy as np

cat = cv2.imread('homework.jpg')
img = cv2.cvtColor(cat, cv2.COLOR_BGR2GRAY)

#定义核
kernel = np.ones((5,5), np.uint8)

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

cv2.imshow('cat', np.hstack((img, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

2.2 获取形态学kernel

• getStructuringElement(shape, ksize[, anchor])
  • shape: 卷积核形状，不是长款，是卷积核中1的元素所形成的形状
    • MORPH_RECT 卷积核中1的形成矩形
    • MORPH_ELLIPSE 椭圆
    • MORPH_CROSS 十字

import cv2
import numpy as np

cat = cv2.imread('homework.jpg')
img = cv2.cvtColor(cat, cv2.COLOR_BGR2GRAY)

#自主获取的卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))

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

cv2.imshow('cat', np.hstack((img, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

3. 膨胀

膨胀是腐蚀的反操作，只要保证卷积核的锚点是非0值，周边值均变为非零值

• 膨胀是放大白色
• 核中1对应的位置：有白（255）则为白，全黑（0）才为黑/对锚点而言
• dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])

import cv2
import numpy as np

cat = cv2.imread('homework.jpg')
img = cv2.cvtColor(cat, cv2.COLOR_BGR2GRAY)

#定义核
#kernel = np.ones((5,5), np.uint8)

#自主获取的卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))


dst = cv2.dilate(img, kernel, iterations=1)

cv2.imshow('cat', np.hstack((img, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

4. 开运算

• 开运算 = 先腐蚀 + 后膨胀
• 适用： 黑背景 白噪点
• morphologyEx(img, MORPH_OPEN, kernel)
  • MORPH_OPEN: 形态学的开运算
  • kernel 如果噪点较多 选择大一点的kernel，如果噪点较少，选择小点的kernel

#开运算提供了另一种去噪声的思路
cat = cv2.imread('cat.jpeg')
img = cv2.cvtColor(cat, cv2.COLOR_BGR2GRAY)

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))

#腐蚀
#dst = cv2.erode(img, kernel, iterations=2)
#膨胀
#dst = cv2.dilate(img,kernel, iterations=2)

#直接调用opencv提供的开运算
dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=2)

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

5. 闭运算

• 闭运算 = 先膨胀 + 后腐蚀
• 适用：白背景 黑噪点
• morphologyEx(img, MORPH_CLOSE, kernel)
  • MORPH_CLOSE: 形态学的闭运算
  • kernel 如果噪点较多 选择大一点的kernel，如果噪点较少，选择小点的kernel

cat = cv2.imread('cat.jpeg')
img = cv2.cvtColor(cat, cv2.COLOR_BGR2GRAY)

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))

#膨胀
#dst = cv2.dilate(img,kernel, iterations=2)
#腐蚀
#dst = cv2.erode(img, kernel, iterations=2)


#直接调用opencv提供的开运算
dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=2)

cv2.imshow('img', np.hstack((img, dst)))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

6. 形态学梯度

• 梯度 = 原图图像 - 腐蚀的图像
• 腐蚀之后原图边缘变小了，做差后就可以得到腐蚀掉的部分，即边缘
• morphologyEx(img, MORPH_GRADIENT, kernel)
  • MORPH_GRADIENT: 形态学梯度

import cv2
import numpy as np

cat = cv2.imread('cat.jpeg')
img = cv2.cvtColor(cat, cv2.COLOR_BGR2GRAY)

#调节kernel大小获得更清晰的边缘，腐蚀掉的东西
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))

dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)

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

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

7. 顶帽操作

• 顶帽 = 原图 - 开运算
• 黑图取被滤的白噪点
• 开运算的效果是去除噪点，顶帽得到了去掉的噪点
• morphologyEx(img, MORPH_TOPHAT, kernel)
  • MORPH_TOPHAT: 顶帽操作

cat = cv2.imread('cat.jpeg')
img = cv2.cvtColor(cat, cv2.COLOR_BGR2GRAY)

#调节kernel大小以保留小图形
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (19,19))


dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=1)

cv2.imshow('img', np.hstack((img, dst)))
1
2
3
4
5
6
7
8
9
10

8. 黑帽操作

• 黑帽 = 原图 - 闭运算
• 白中取被滤的黑噪点
• 闭运算的效果是去除图像内部的噪点，黑帽得到了图形内部去掉的噪点
• morphologyEx(img, MORPH_BLACKHAT, kernel)
  • MORPH_BLACKHAT: 黑帽操作