1 形态学概述

• 什么是形态学（morphology）
  
• 指一系列处理图像形状特征的图像处理技术
  
• 形态学的基本思想是利用一种特殊的结构元(本质上就是卷积核)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。该卷积核比较特殊，元素基本都是0/1.
  
• 这些处理方法基本上都是处理二值图像，即黑白图像
  
• 卷积核决定图像处理的效果
  
• 形态学中常用的基本运算有：
  
• 膨胀和腐蚀
  
• 开放式操作
  
• 封闭式操作
  
• 大礼帽
  
• 黑帽
  

2 图像全局二值化

• 二值化: 将图像的每个像素变成两种值, 比如0, 255.
  
• cv2.threshold(src, thresh, maxval, type[, dst])
  
• src: 最好是灰度图
  
• thresh: 阈值
  
• maxval: 最大值, 最大值不一定是255（用的最多的还是255）
  
• type: 操作类型. 常见操作类型如下（常用的是1、4）:
  
• 会返回两个结果,一个是阈值thresh, 另一个是处理后的图片dstimport cv2 import numpy as np# 导入图片img = cv2.imread(‘./dog.jpeg’)# 二值化操作是对灰度图像操作, 把dog变成灰度图像gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 注意, threshold会返回两个值, 一个是阈值, 二值化处理后的图片thresh, dst = cv2.threshold(gray, 110, 255, cv2.THRESH_BINARY)print(thresh)# 展示cv2.imshow(‘dog’, np.hstack((gray, dst)))cv2.waitKey(0)cv2.destroyAllWindows()
  

3 自适应阈值二值化

在上一部分中，我们使用了全局阈值，整幅图像使用与阈值相同的数字。但这种方法并不适用于所有情况，尤其是当同一图像的不同部分具有不同的亮度时。在这种情况下，我们需要使用自适应阈值。此时的阈值是根据图像上的每个小区域计算出相应的阈值。因此，在同一张图像的不同区域使用不同的阈值，这样我们在不同亮度的情况下可以得到更好的结果，比全局二值化更加灵活。

• cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
  
• 这个方法需要我们指定六个参数，并且只有一个返回值。
  
• src最好是灰度图
  
• maxValue最大值, 最大值不一定是255（用的最多的还是255）
  
• Adaptive Method- 指定计算阈值的方法。
  – cv2.ADPTIVE_THRESH_MEAN_C ：阈值取自相邻区域的平均值
  – cv2.ADPTIVE_THRESH_GAUSSIAN_C ：阈值取值相邻区域的加权和，权重为一个高斯窗口。（效果更好）
  
• type: 操作类型. 常见操作类型如下：
  

• Block Size- 邻域大小（用来计算阈值的区域大小，即卷积核大小），是一个奇数。
  
• C- 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数。
  
• dst 输出图像
  

import cv2 
import numpy as np

# 导入图片
img = cv2.imread('./dog.jpeg')

# 二值化操作是对灰度图像操作, 把dog变成灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 自适应阈值二值化只有一个返回值,
dst = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 19, 0)

# 展示
cv2.imshow('dog', np.hstack((gray, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

4 腐蚀操作

• 腐蚀操作也是用卷积核扫描图像,只不过腐蚀操作的卷积核元素一般都是1, 如果卷积核内所有像素点都是白色, 那么锚点即为白色.
  
• 大部分时候腐蚀操作使用的都是全为1的卷积核.
  
• cv2.erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  
• src是原图
  
• kernel是卷积核的大小，元组形式
  
• dst 输出图像
  
• anchor 锚点，是可选参数，默认是（-1，-1）
  
• iterations是腐蚀操作的迭代次数, 次数越多, 腐蚀操作执行的次数越多, 腐蚀效果越明显
  
• borderType 边界类型
  
• borderValue 边缘值
  

import cv2 
import numpy as np

# 导入图片
img = cv2.imread('./j.png')

# 定义核
kernel = np.ones((3,3), np.uint8)
dst = cv2.erode(img, kernel, iterations=2)

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

cv2.waitKey(0)
cv2.destroyAllWindows()

5 获取形态学卷积核

• opencv提供了获取卷积核的api.不需要我们手工创建卷积核.
  
• cv2.getStructuringElement(shape, ksize[, anchor])
  
• shape是指卷积核的形状, 注意不是指长宽, 是指卷积核中 1 形成的形状.
  
• MORPH_RECT 卷积核中的1是矩形, 常用.
  
• MORPH_ELLIPSE 卷积核中的 1 椭圆
  
• MORPH_CROSS 卷积核中的 1 十字
  
• ksize 卷积核的大小，元组形式
  

import cv2
import numpy as np

img = cv2.imread('./j.png')

# 获取形态学卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

# 腐蚀操作
dst = cv2.erode(img, kernel, iterations=2)

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

cv2.waitKey(0)
cv2.destroyAllWindows()

6 膨胀操作

膨胀是腐蚀的相反操作, 基本原理是只要保证卷积核的锚点是非0值, 周边无论是0还是非0值, 都变成非0值.

• cv2.dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  
• src是原图像
  
• kernel是卷积核的大小，元组形式
  
• dst 输出图像
  
• anchor 是锚点
  
• iterations是膨胀操作的迭代次数, 次数越多, 膨胀操作执行的次数越多, 膨胀效果越明显
  
• borderType 边界类型
  
• borderValue 边缘值
  

import cv2
import numpy as np

img = cv2.imread('./j.png')

# 获取形态学卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

# 膨胀操作
dst = cv2.dilate(img, kernel, iterations=2)

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

cv2.waitKey(0)
cv2.destroyAllWindows()

膨胀和腐蚀的简单应用：

# 膨胀和腐蚀简单应用
import cv2 
import numpy as np


# 导入图片
img = cv2.imread('./msb.png')

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

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

# 再膨胀
dst = cv2.dilate(dst, kernel, iterations=1)

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

cv2.waitKey(0)
cv2.destroyAllWindows()

7 开运算

• 开运算和闭运算都是腐蚀和膨胀的基本应用。
  
• 开运算=腐蚀+膨胀（腐蚀和膨胀）
  
• 适合去除图像外的噪点
  
• cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  
• src是原图
  
• op操作类型（operations），开运算是cv2.MORPH_OPEN
  
• kernel是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  
• dst 是输出图像
  
• anchor 是锚点
  
• iterations是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  
• borderType 边界类型
  
• borderValue 边缘值
  

import cv2
import numpy as np

# 开运算 = 腐蚀  + 膨胀
# 开运算提供了另一种去除噪声的思路.
img = cv2.imread('./dotj.png')

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

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

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

cv2.waitKey(0)
cv2.destroyAllWindows()

8 闭运算

• 闭运算 = 膨胀 + 腐蚀（膨胀和腐蚀）
  
• 适合去除图像内部的噪点
  
• cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  
• src是原图
  
• op操作类型（operations），开运算是 cv2.MORPH_CLOSE
  
• kernel是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  
• dst 是输出图像
  
• anchor 是锚点
  
• iterations是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  
• borderType 边界类型
  
• borderValue 边缘值
  

import cv2
import numpy as np

# 闭运算= 膨胀 + 腐蚀
# 闭运算可以去除图形内部的噪声
img = cv2.imread('./dotinj.png')

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

# 调用opencv提供的api
dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=2)

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

cv2.waitKey(0)
cv2.destroyAllWindows()

9 形态学梯度

• 渐变 = 原始 – 腐蚀
  
• 腐蚀后，原图边缘变小，原图-腐蚀可以得到被腐蚀的部分，即边缘。
  
• cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  
• src 是原图
  
• op操作类型（operations），开运算是 cv2.MORPH_GRADIENT
  
• kernel是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  
• dst 是输出图像
  
• anchor 是锚点
  
• iterations是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  
• borderType 边界类型
  
• borderValue 边缘值
  

# 形态学梯度 = 原图 - 腐蚀
import cv2
import numpy as np

img = cv2.imread('./j.png')

# 注意调节kernel大小以获得更清晰的边缘
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

# 调用opencv提供的api
dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)

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

cv2.waitKey(0)
cv2.destroyAllWindows()

10 顶帽操作

• 大礼帽=原始图像-打开操作
  
• 开运算的效果是去除图像外的噪声，而原始图像-开运算会得到去除的噪声。
  
• morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  
• src是原图
  
• op操作类型（operations），开运算是 cv2.MORPH_TOPHAT
  
• kernel是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  
• dst 是输出图像
  
• anchor 是锚点
  
• iterations是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  
• borderType 边界类型
  
• borderValue 边缘值
  

# 顶帽操作 = 原图  - 开运算 得到图形外的噪声
import cv2 
import numpy as np

img = cv2.imread('./dotj.png')

# 注意调整kernel以保留小图形
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 调用opencv提供的api
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=2)

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

cv2.waitKey(0)
cv2.destroyAllWindows()

11 黑帽操作

• 黑帽=原始图像-关闭操作
  
• 闭合操作可以去除图内部的噪声，所以原始图像闭合操作的结果是图内部的噪声。
  
• cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
  
• src是原图
  
• op操作类型（operations），开运算是 cv2.MORPH_BLACKHAT
  
• kernel是卷积核的大小，元组形式。如果噪点比较多, 会选择大一点的kernel, 如果噪点比较小, 可以选择小点的kernel
  
• dst 是输出图像
  
• anchor 是锚点
  
• iterations是操作的迭代次数, 次数越多, 操作执行的次数越多, 效果越明显
  
• borderType 边界类型
  
• borderValue 边缘值
  

# 黑帽操作 = 原图  - 闭运算 得到图形内部的噪声
import cv2 
import numpy as np

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

# 注意调节kernel大小以获得更清晰的边缘
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 调用opencv提供的api
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel, iterations=2)

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

cv2.waitKey(0)
cv2.destroyAllWindows()

附OpenCV目录：OpenCV总目录学习笔记

我是知客的专业新手。写博客文章并不容易。如果你喜欢它，你可以给它一个大拇指！