1. 基础概念
形态学主要从图像内提取分量信息，该分量信息通常对于 表达和描绘图像的形状 具有重要意义，通常是图像理解时所使用的最本质的形状特征。
形态学处理在视觉检测、文字识别、医学图像处理、图像压缩编码等领域都有非常重要的应用。
形态学操作主要包含： 腐蚀 、 膨胀 、 开运算 、 闭运算 、 梯度运算 、 顶帽运算 、 黑帽运算 等操作。腐蚀操作和膨胀操作是形态学运算的基础，将腐蚀和膨胀操作进行结合，就可以实现其他不同形式的运算。
2. 腐蚀
腐蚀是形态学中的最基本操作，它能够将图像的边界点消除，使图像沿着边界向内收缩，还可以将小于指定结构体元素的部分去除。
腐蚀用来收缩或者细化二值图像中的前景，借此实现去除噪声、元素分割等功能。
2.1 原理
在腐蚀过程中，通常使用一个结构元来逐个像素地扫描要被腐蚀的图像，并根据结构元和被腐蚀图像的关系来确定腐蚀结果。
- 如果结构元
完全处于前景图像中，就将结构元中心点所对应的腐蚀结果图像中的像素点处理为前景色。 - 如果结构元
未完全处于前景图像中，就将结构元中心点对应的腐蚀结果图像中的像素点处理为背景色。
2.2 使用方法
- 通过函数
cv2.erode()，实现腐蚀操作。 - 函数原型：
dst = cv2.erode( src, kernel, anchor, iterations, borderType, borderValue ) - 参数说明：
- dst：腐蚀后输出的目标图像，与原始图像具有相同的大小和类型。
- src：要进行腐蚀的图像，图像的通道数可以是任意的，但图像的深度必须是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一种。
- kernel：腐蚀操作时所采用的结构元。
- anchor：可选参数，结构元中锚点的位置，默认为(-1, -1)，在核的中心位置。
- iterations：可选参数，腐蚀操作迭代的次数，默认为1，即只进行一次腐蚀操作。
- borderType：可选参数，边界样式，默认为BORDER_CONSTANT。
- borderValue：可选参数，边界值， 一般采用默认值。
2.3 示例
import cv2import numpy as np
J = cv2.imread("J.png")
kernel = np.ones((5, 5), np.uint8)J_erosion_1 = cv2.erode(J, kernel, iterations = 1)
kernel = np.ones((9, 9), np.uint8)J_erosion_2 = cv2.erode(J, kernel, iterations = 1)
cv2.imwrite("J_erosion_1.png", J_erosion_1)cv2.imwrite("J_erosion_2.png", J_erosion_2)| 原图 | 5x5的结构元，腐蚀1次 | 9x9的结构元，腐蚀1次 |
|---|---|---|
 |  |  |
3. 膨胀
膨胀操作是形态学中另外一种基本的操作。膨胀操作是将当前对象接触到的背景点合并到当前对象内，从而实现将图像的边界点向外扩张。如果图像内两个对象的距离较近，那么在膨胀的过程中，两个对象有可能会连通在一起。膨胀操作对填补图像分割后图像内所存在的空白相当有帮助。
3.1 原理
同腐蚀过程一样，在膨胀过程中，也是使用一个结构元（核函数）来逐个像素地扫描要被膨胀的图像，并根据结构元和待膨胀图像的关系来确定膨胀结果。
- 如果结构元中
任意一点处于前景图像中，就将膨胀结果图像中对应像素点处理为前景色。 - 如果结构元
完全处于背景图像外，就将膨胀结果图像中对应像素点处理为背景色。
3.2 使用方法
- 通过函数
cv2.dilate()，实现膨胀操作。 - 函数原型：
dst = cv2.dilate( src, kernel, anchor, iterations, borderType, borderValue ) - 参数说明：
- dst：膨胀后输出的目标图像，与原始图像具有相同的大小和类型。
- src：要进行膨胀的图像，图像的通道数可以是任意的，但图像的深度必须是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一种。
- kernel：腐蚀操作时所采用的结构元。
- anchor：可选参数，结构元中锚点的位置，默认为(-1, -1)，在核的中心位置。
- iterations：可选参数，膨胀操作迭代的次数，默认为1，即只进行一次膨胀操作。
- borderType：可选参数，边界样式，默认为BORDER_CONSTANT。
- borderValue：可选参数，边界值， 一般采用默认值。
3.3 示例
import cv2import numpy as np
J = cv2.imread("J.png")
kernel = np.ones((5, 5), np.uint8)J_dilate_1 = cv2.dilate(J, kernel, iterations = 1)
kernel = np.ones((9, 9), np.uint8)J_dilate_2 = cv2.dilate(J, kernel, iterations = 1)
cv2.imwrite("J_dilation_1.png", J_dilate_1)cv2.imwrite("J_dilation_2.png", J_dilate_2)| 原图 | 5x5的结构元，膨胀1次 | 9x9的结构元，膨胀1次 |
|---|---|---|
|  |  |
4. 形态学函数
4.1 使用方法
-
通过函数
cv2.morphologyEx()，可以实现形态学操作。 -
函数原型：
dst = cv2.morphologyEx( src, op, kernel, anchor, iterations, borderType, borderValue ) -
参数说明：
-
dst：膨胀后输出的目标图像，与原始图像具有相同的大小和类型。
-
src：要进行膨胀的图像，图像的通道数可以是任意的，但图像的深度必须是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一种。
-
op：具体的形态学操作
-
kernel：腐蚀操作时所采用的结构元。
-
anchor：可选参数，结构元中锚点的位置，默认为(-1, -1)，在核的中心位置。
-
iterations：可选参数，膨胀操作迭代的次数，默认为1，即只进行一次膨胀操作。
-
borderType：可选参数，边界样式，默认为BORDER_CONSTANT。
-
borderValue：可选参数，边界值， 一般采用默认值。
-
4.2 开运算：先腐蚀，再膨胀
开运算进行的操作是先将图像腐蚀，再对腐蚀的结果进行膨胀。
开运算可以用于去噪、去毛刺、划分连接在一起的不同区域以计数等。
import cv2import numpy as np
J = cv2.imread("J.png")kernel = np.ones((5, 5), np.uint8)J_open = cv2.morphologyEx(src=J, op=cv2.MORPH_OPEN, kernel=kernel)
box = cv2.imread("box.png")kernel = np.ones((15, 15), np.uint8)box_open = cv2.morphologyEx(src=box, op=cv2.MORPH_OPEN, kernel=kernel)
cv2.imwrite("J_open.png", J_open)cv2.imwrite("box_open.png", box_open)| 毛刺图 | 开运算：去毛刺 |
|---|---|
|  |
| 粘连图 | 开运算：划分区域 |
|---|---|
 |  |
4.3 闭运算：先膨胀，再腐蚀
闭运算是先膨胀、后腐蚀的运算。
闭运算有助于关闭前景物体内部的小孔，去除物体上的小黑点，还可以将不同的前景图像进行连接。
import cv2import numpy as np
J_hole = cv2.imread("J_hole.png")kernel = np.ones((9, 9), np.uint8)J_hole_close = cv2.morphologyEx(src=J_hole, op=cv2.MORPH_CLOSE, kernel=kernel)
cv2.imwrite("J_hole_close.png", J_hole_close)| 孔洞图 | 闭运算：闭合孔洞 |
|---|---|
 |  |
4.4 形态学梯度运算：膨胀 - 腐蚀
形态学梯度运算是用图像的膨胀图像减腐蚀图像的操作。
形态学梯度运算可以获取原始图像中前景图像的边缘。
import cv2import numpy as np
J = cv2.imread("J_open.png")kernel = np.ones((3, 3), np.uint8)J_gradient = cv2.morphologyEx(src=J, op=cv2.MORPH_GRADIENT, kernel=kernel)
cv2.imwrite("J_gradient.png", J_gradient)| 原图 | 形态学梯度运算 |
|---|---|
|  |
4.5 顶帽运算：原图 - 开运算
顶帽运算是用原始图像减去其开运算图像的操作。
顶帽运算能够获取图像的噪声信息，或者得到比原始图像的边缘更亮的边缘信息。
import cv2import numpy as np
J = cv2.imread("J.png")kernel = np.ones((3, 3), np.uint8)J_tophat = cv2.morphologyEx(src=J, op=cv2.MORPH_TOPHAT, kernel=kernel)
cv2.imwrite("J_tophat.png", J_tophat)| 原图 | 开运算 | 顶帽运算 |
|---|---|---|
| |  |
4.6 黑帽运算：闭运算 - 原图
黑帽运算是用闭运算图像减去原始图像的操作。
黑帽运算能够获取图像内部的小孔、前景色中的小黑点，或者得到比原始图像的边缘更暗的边缘部分。
import cv2import numpy as np
J_hole = cv2.imread("J_hole.png")kernel = np.ones((3, 3), np.uint8)J_blackhat = cv2.morphologyEx(src=J_hole, op=cv2.MORPH_BLACKHAT, kernel=kernel)
cv2.imwrite("J_blackhat.png", J_blackhat)| 原图 | 闭运算 | 黑帽运算 |
|---|---|---|
| |  |
5. 自定义结构元
在进行形态学操作时，必须使用一个特定的结构元，既可以自定义生成，也可以通过函数cv2.getStructuringElement()构造。
5.1 使用方法
- 通过函数
cv2.getStructuringElement()能够构造并返回一个用于形态学处理所使用的结构元素。 - 函数原型：
retval = cv2.getStructuringElement( shape, ksize, anchor) - 参数说明：
- shape：结构元的形状类型。
- cv2.MORPH_RECT：矩形结构元素，所有元素值都是1。
- cv2.MORPH_CROSS：十字形结构元素，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：结构元中锚点的位置，默认为(-1, -1)，在核的中心位置。
- shape：结构元的形状类型。
5.2 示例
import cv2
kernel_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))kernel_cross = cv2.getStructuringElement(cv2.MORPH_CROSS, (7, 7))kernel_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
print("kernel_rect = \n", kernel_rect)print("kernel_cross = \n", kernel_cross)print("kernel_ellipse = \n", kernel_ellipse)kernel_rect = [[1 1 1 1 1 1 1] [1 1 1 1 1 1 1] [1 1 1 1 1 1 1] [1 1 1 1 1 1 1] [1 1 1 1 1 1 1] [1 1 1 1 1 1 1] [1 1 1 1 1 1 1]]kernel_cross = [[0 0 0 1 0 0 0] [0 0 0 1 0 0 0] [0 0 0 1 0 0 0] [1 1 1 1 1 1 1] [0 0 0 1 0 0 0] [0 0 0 1 0 0 0] [0 0 0 1 0 0 0]]kernel_ellipse = [[0 0 0 1 0 0 0] [0 1 1 1 1 1 0] [1 1 1 1 1 1 1] [1 1 1 1 1 1 1] [1 1 1 1 1 1 1] [0 1 1 1 1 1 0] [0 0 0 1 0 0 0]]