OpenCV学习之图像形态学处理详解

来源：jb51　　时间：2023/2/17 9:59:26　　对本文有异议

1.腐蚀操作

从下面代码中可以看到有三幅腐蚀程度不同的图，腐蚀越严重像素就越模糊

import cv2
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 读取彩色图像(BGR)
    kernel = np.ones((3, 3), np.uint8)
    erosion = cv2.erode(img1, kernel)
    cv2.imshow("img1", erosion)  # 显示叠加图像 dst
 
    img2 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 读取彩色图像(BGR)
    kernel = np.ones((10, 10), np.uint8)
    erosion_1 = cv2.erode(img2, kernel)
    cv2.imshow('erosion_1', erosion_1)
 
    img3 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 读取彩色图像(BGR)
    kernel = np.ones((30, 30), np.uint8)
    erosion_2 = cv2.erode(img3, kernel)
    cv2.imshow('erosion_2', erosion_2)
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()

binary_img = np.array([ [0, 0, 0, 0, 0],
                        [0,255,255,255,0],
                        [0,255,255,255,0],
                        [0,255,255,255,0],
                        [0, 0, 0, 0, 0]],np.uint8)
ones((3,3),np.uint8)
 
[[  0   0   0   0   0]
 [  0   0   0   0   0]
 [  0   0 255   0   0]
 [  0   0   0   0   0]
 [  0   0   0   0   0]]

通过上面的例子发现，经过3x3的kernel之后，最终只保留了中心的255像素，周边的255都变成了0。在进行腐蚀操作的时候，就是通过kernel大小的卷积在原图像上滑动，只有当kernel范围内的像素全为255时输出才为255，否则输出为0，所以kernel越大最终白色像素保留的会越少。

2.膨胀操作

图像经过膨胀之后，白色像素的范围变大了。在做膨胀的时候，只要当kernel范围内的像素有255时输出就为255。

3.开闭运算

开运算其实就是先通过腐蚀操作后面再进行膨胀，闭运算和开运算恰好相反先通过膨胀操作后面再进行腐蚀。

import cv2
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 读取彩色图像(BGR)
    # 定义kernel
    kernel = np.ones((3, 3), np.uint8)
    # 开运算
    open_img = cv2.morphologyEx(img1, cv2.MORPH_OPEN, kernel)
    # 闭运算
    close_img = cv2.morphologyEx(img1, cv2.MORPH_CLOSE, kernel)
 
 
    cv2.imshow("open_img", open_img)  # 显示叠加图像 dst
    cv2.imshow("close_img", close_img)  # 显示叠加图像 dst
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()

4.梯度运算

梯度运算等价于膨胀运算-腐蚀运算梯度运算主要是用来保留图像的轮廓

5.Top Hat Black Hat运算

Top Hat运算等价于原始图像 - 开运算，Black Hat运算等价于闭运算 - 原始图像

形态学Top-Hat变换是指形态学顶帽操作与黑帽操作，前者是计算源图像与开运算结果图之差，后者是计算闭运算结果与源图像之差。

形态学Top-Hat变换是常用的一种滤波手段，具有高通滤波的某部分特性，可实现在图像中检测出周围背景亮结构或周边背景暗结构。

顶帽操作常用于检测图像中的峰结构。

黑帽操作常用于检测图像中的波谷结构。

import cv2
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 读取彩色图像(BGR)
    # 定义kernel
    kernel = np.ones((3, 3), np.uint8)
    tophat_img = cv2.morphologyEx(img1, cv2.MORPH_TOPHAT, kernel)
    blackhat_img = cv2.morphologyEx(img1, cv2.MORPH_BLACKHAT, kernel)
 
 
    cv2.imshow("tophat_img", tophat_img)  # 显示叠加图像 dst
    cv2.imshow("blackhat_img", blackhat_img)  # 显示叠加图像 dst
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()