通用形态学函数
上篇博文，我们介绍了形态学的基础腐蚀与膨胀操作，而将腐蚀与膨胀结合起来进行组合，我们就能实现开运算，闭运算等复杂的形态学运算。
在OpenCV中，它给我们提供的通用形态学函数为cv2.morphologyEx()，其完整定义如下：
def morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):
这些参数基本前面都介绍过，不过有一点需要说明，src原始图像必须是CV_8U，CV_16U，CV_16S，CV_32F，CV_64F中的一种。
当然，这里面还有一个陌生的参数就是op，它就是各种形态学的类别，具体类别如表所示：
| 类型 | 说明 | 意义 | 操作 |
|---|---|---|---|
| cv2.MORPH_ERODE | 腐蚀 | 腐蚀 | erode() |
| cv2.MORPH_DILATE | 膨胀 | 膨胀 | dilate() |
| cv2.MORPH_OPEN | 开运算 | 先腐蚀后膨胀 | dilate(erode()) |
| cv2.MORPH_CLOSE | 闭运算 | 先膨胀后腐蚀 | erode(dilate()) |
| cv2.MORPH_GRADIENT | 形态学梯度运算 | 膨胀图减腐蚀图 | dilate()-erode() |
| cv2.MORPH_TOPHAT | 顶帽运算 | 原始图像减开运算所得图像 | src-open() |
| cv2.MORPH_BLACKHAT | 黑帽运算 | 闭运算所得图像减原始图像 | close()-src |
| cv2.MORPH_HITMISS | 击中击不中 | 前景背景腐蚀运算的交集。仅仅支持CV8UC1二进制图像 | intersection(erode(src),erode(src1)) |
开运算
如上表所示，开运算是将原图像腐蚀，再对其进行膨胀操作。主要用于去噪，计数等。去噪我们已经通过上面的腐蚀操作就可以完成，下面我们来实现有趣的计数操作。
import cv2
import numpy as np
img = cv2.imread("open.jpg",cv2.IMREAD_UNCHANGED)
kernel = np.ones((9,9), np.float32)
result = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel,iterations=5)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，我们能将不同区域划分开来，效果如下：
开运算
闭运算
闭运算是先膨胀后腐蚀的运算，它有助于关闭前景物体内部的小孔，或去除物体上的小黑点，还可以将不同的前景图像进行连接。下面，我们就将上图进行连接。
import cv2
import numpy as np
img = cv2.imread("close.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((10, 10), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=7)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，两个方块就连接为一个整体了，效果如下所示：
闭运算
形态学梯度运算
形态学梯度运算是用图像膨胀后的图像减去腐蚀图像的运算，该操作可以获取原始图像中的前景图像的边缘。我们还是用上篇膨胀的图来测试，代码如下：
import cv2
import numpy as np
img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，我们的图像就中空了，效果如下：
形态学梯度运算
顶帽运算
顶帽运算是用原始图像减去其开运算图像的操作。它能够获取图像的噪声信息，或者得到比原图像的边缘更亮的边缘信息。也就是获取上图中的白色线条，具体代码如下：
import cv2
import numpy as np
img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，效果如下：
顶帽运算
黑帽运算
黑帽运算是用闭运算图像减去原始图像的操作。它能够获取内部的小孔，或前景色中的小黑点，亦或者得到比原始图像的边缘更暗的边缘部分。这里，我们用前面的人物图像，代码如下：
import cv2
import numpy as np
img = cv2.imread("4.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，效果如下：
黑帽运算
结构元函数
前面我们介绍过，结构元可以自定义，也可以通过cv2.getStructuringElement()函数生成。这里，我们来看看其完整的定义：
def getStructuringElement(shape, ksize, anchor=None):
shape：形状类型，取值如下表：
| 类型 | 意义 |
|---|---|
| cv2.MORPH_RECT | 矩形结构元，所有元素值为1 |
| cv2.MORPH_CROSS | 十字形结构元，对角线元素值为1 |
| cv2.MORPH_ELLIPSE | 椭圆形结构元素 |
ksize：结构元的大小
anchor：结构元的锚点位置，默认值（-1，1），是形状的中心。只有十字星型的形状与锚点位置紧密联系。在其他情况下，锚点位置仅用于形态学运算结果的调整。
下面，我们将这三种形状类型都实现一遍，具体代码如下：
import cv2
img = cv2.imread("open.jpg", cv2.IMREAD_UNCHANGED)
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(50,50))
kernel2 = cv2.getStructuringElement(cv2.MORPH_CROSS,(50,50))
kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(50,50))
result1 = cv2.dilate(img,kernel1)
result2 = cv2.dilate(img,kernel2)
result3 = cv2.dilate(img,kernel3)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，效果如下所示：
结构元函数
网友评论