一 基礎知識
圖像的膨脹(dilation)和腐蝕(erosion)是兩種基本的形態學運算,主要用來尋找圖像中的極大區域和極小區域.
其中膨脹類似與 '領域擴張' ,將圖像的高亮區域或白色部分進行擴張,其運行結果圖比原圖的高亮區域更大.
腐蝕類似 '領域被蠶食' ,將圖像中的高亮區域或白色部分進行縮減細化,其運行結果圖比原圖的高亮區域更小.
二 圖像膨脹
膨脹的運算符是“⊕”，其定義如下：
該公式表示用B來對圖像A進行膨脹處理，其中B是一個卷積模板或卷積核，其形狀可以為正方形或圓形，通過模板B與圖像A進行卷積計算，掃描圖像中的每一個像素點，用模板元素與二值圖像元素做“與”運算，如果都為0，那么目標像素點為0，否則為1。從而計算B覆蓋區域的像素點最大值，並用該值替換參考點的像素值實現膨脹。下圖是將左邊的原始圖像A膨脹處理為右邊的效果圖A⊕B。
圖像中的高亮區(黑點增多)
三 圖像腐蝕
腐蝕的運算符是“－”，其定義如下：
該公式表示圖像A用卷積模板B來進行腐蝕處理，通過模板B與圖像A進行卷積計算，得出B覆蓋區域的像素點最小值，並用這個最小值來替代參考點的像素值。如圖所示，將左邊的原始圖像A腐蝕處理為右邊的效果圖A-B。
處理結果如下圖所示：
高亮區減少(白色區域減少)
四. 圖像腐蝕代碼實現
1.基礎理論
形態學轉換主要針對的是二值圖像（0或1）。圖像腐蝕類似於“領域被蠶食”，將圖像中的高亮區域或白色部分進行縮減細化，其運行結果圖比原圖的高亮區域更小。其主要包括兩個輸入對象：
(1)二值圖像
(2)卷積核
卷積核是腐蝕中的關鍵數組，采用numpy庫可以生成。卷積核的中心點逐個像素掃描原始圖像，如下圖所示：
被掃描到的原始圖像中的像素點，只有當卷積核對應的元素值均為1時，其值才為1，否則其值修改為0。換句話說，遍歷到的黃色點位置，其周圍全部是白色，保留白色，否則變為黑色，圖像腐蝕變小。
2.函數原型
圖像腐蝕主要使用的函數為erode，其原型如下：
dst = cv2.erode(src, kernel, iterations)
參數
- dst表示處理的結果，
- src表示原圖像，kernel表示卷積核，
- iterations表示迭代次數。
下圖表示5*5的卷積核，可以采用函數 np.ones((5,5), np.uint8) 構建。
注意：迭代次數默認是1，表示進行一次腐蝕，也可以根據需要進行多次迭代，進行多次腐蝕。
3.代碼實現
完整代碼如下所示：
輸出結果如下圖所示：
由圖可見，干擾的細線被進行了清洗，但仍然有些輪廓，此時可設置迭代次數進行腐蝕。
erosion = cv2.erode(src, kernel,iterations=9)
輸出結果如下圖所示：
三. 圖像膨脹代碼實現
1.基礎理論
圖像膨脹是腐蝕操作的逆操作，類似於“領域擴張”，將圖像中的高亮區域或白色部分進行擴張，其運行結果圖比原圖的高亮區域更大，線條變粗了，主要用於去噪。
(1) 圖像被腐蝕后，去除了噪聲，但是會壓縮圖像。
(2) 對腐蝕過的圖像，進行膨脹處理，可以去除噪聲，並且保持原有形狀。
它也包括兩個輸入對象：
(1)二值圖像或原始圖像
(2)卷積核
卷積核是腐蝕中的關鍵數組，采用numpy庫可以生成。卷積核的中心點逐個像素掃描原始圖像，如下圖所示：
被掃描到的原始圖像中的像素點，當卷積核對應的元素值只要有一個為1時，其值就為1，否則為0。
2.函數原型
圖像膨脹主要使用的函數為dilate，其原型如下：
dst = cv2.dilate(src, kernel, iterations)
參數
dst表示處理的結果，
src表示原圖像，
kernel表示卷積核，
iterations表示迭代次數。
下圖表示5*5的卷積核，可以采用函數 np.ones((5,5), np.uint8) 構建。
注意：迭代次數默認是1，表示進行一次膨脹，也可以根據需要進行多次迭代，進行多次膨脹。通常進行1次膨脹即可。
3.代碼實現
完整代碼如下所示：
輸出結果如下所示：
圖像去噪通常需要先腐蝕后膨脹，這又稱為開運算.
erosion = cv2.erode(src, kernel)
result = cv2.dilate(erosion, kernel)
四 黑帽、頂帽
代碼層面
import cv2 as cv import numpy as np def top_hat_demo(image): '頂帽' gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY) #構建形態學元素 提高內核矩陣(10,10)可以提取更多元素 kernel=cv.getStructuringElement(cv.MORPH_RECT,(10,10)) #黑帽處理 dst=cv.morphologyEx(gray,cv.MORPH_TOPHAT,kernel) #如果圖像較黑可以用圖像增強看看效果 cimage=np.array(gray.shape,np.uint8) cimage=50 dst=cv.add(dst,cimage) cv.imshow('top_hat',dst) def black_hat_demo(image): '黑帽' gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY) #構建形態學元素 提高內核矩陣(10,10)可以提取更多元素 kernel=cv.getStructuringElement(cv.MORPH_RECT,(10,10)) #黑帽處理 dst=cv.morphologyEx(gray,cv.MORPH_BLACKHAT,kernel) #如果圖像較黑可以用圖像增強看看效果 cimage=np.array(gray.shape,np.uint8) cimage=50 dst=cv.add(dst,cimage) cv.imshow('black_hat',dst) src = cv.imread("girl.jpg") cv.imshow("原來", src) # black_hat_demo(src) top_hat_demo(src) cv.waitKey(0) cv.destroyAllWindows()
效果展示
五 圖像頂帽運算
1.基本原理
圖像頂帽（或圖像禮帽）運算是原始圖像減去圖像開運算的結果，得到圖像的噪聲。如下圖所示：
2.函數原型
圖像開運算主要使用的函數morphologyEx，它是形態學擴展的一組函數，其參數
dst = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel)
參數
dst表示處理的結果，
src表示原圖像，
cv2.MORPH_TOPHAT表示頂帽運算，
kernel表示卷積核。
下圖表示5*5的卷積核，可以采用函數 np.ones((5,5), np.uint8) 構建。
卷積如下圖所示：
3.代碼實現
完整代碼如下所示：
#encoding:utf-8 import cv2 import numpy as np #讀取圖片 src = cv2.imread('test01.png', cv2.IMREAD_UNCHANGED) #設置卷積核 kernel = np.ones((5,5), np.uint8) #圖像頂帽運算 result = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", result) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
輸出結果如下圖所示，可以看到外部噪聲被提取出來。
如果想獲取更多的細節，可以將卷積設置為10*10，如下圖所示：
kernel = np.ones((10,10), np.uint8)
result = cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel)
二. 圖像黑帽運算
1.基本原理
圖像黑帽運算是圖像閉運算操作減去原始圖像的結果，得到圖像內部的小孔，或者前景色中的小黑點。如下圖所示：
2.函數原型
圖像開運算主要使用的函數morphologyEx，它是形態學擴展的一組函數，其參數cv2.MORPH_BLACKHAT對應開運算。其原型如下：
dst = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)
參數
- dst表示處理的結果，
- src表示原圖像，
- cv2.MORPH_BLACKHAT表示黑帽運算，
- kernel表示卷積核。
下圖表示5*5的卷積核，可以采用函數 np.ones((5,5), np.uint8) 構建。
3.代碼實現
完整代碼如下所示：
import cv2 import numpy as np #讀取圖片 src = cv2.imread('test02.png', cv2.IMREAD_UNCHANGED) #設置卷積核 kernel = np.ones((5,5), np.uint8) #圖像黑帽運算 result = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", result) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
輸出結果如下圖所示，可以看到圖像內部黑點被提取出來。
但內部比較大的四個黑點沒有被提取，如果想獲取更多的細節，可以將卷積設置為10*10，如下圖所示：
kernel = np.ones((10,10), np.uint8)
result = cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)
轉載：
https://blog.csdn.net/Eastmount/article/details/83692456