图片的腐蚀以及膨胀

2018-10-27 | 阅读：次

腐蚀：

　　图像的腐蚀和膨胀都是相对于像素值高（白色方向）说的，腐蚀简单的说就是白色”被腐蚀“了，也就是像素值低（黑色方向）的变多，白色变少。

　　腐蚀的原理是利用一个内核对图像进行卷积（扫描），内核中有一个点被定义为锚点，然后提取内核覆盖区域的像素最小值（黑色方向）来替换锚点位置的像素值，所以扫描过后黑色变多。

Mat img = imread("img.jpg");

    imshow("src", img);

    Mat erodeElement = getStructuringElement(MORPH_RECT, Size(10, 10)); // 获得内核

    erode(img, img, erodeElement); // 腐蚀函数

    imshow("erode", img);
    
    waitKey(0);

膨胀：

和腐蚀一样，也是相对于白色来说，膨胀就是像素值高的（白色方向）变多了（膨胀了），和腐蚀相反，膨胀是提取内核区域的最大值（白色方向）来替换锚点位置的像素值。

Mat img = imread("img.jpg");

    imshow("src", img);

    Mat dilateElement = getStructuringElement(MORPH_RECT, Size(10, 10)); // 获得内核

    dilate(img, img, dilateElement); // 膨胀函数

    imshow("dilate", img);

import cv2 as cv
import numpy as np
 
def erode(img):
    gray=cv.cvtColor(img,cv.COLOR_RGB2GRAY)
    ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
    #获得结构元素
    #第一个参数：结构元素形状，这里是矩形
    #第二个参数：结构元素大小
    kernel=cv.getStructuringElement(cv.MORPH_RECT,(5,5))
    #执行腐蚀
    dst=cv.erode(binary,kernel)
    cv.imshow("erode",dst)
 
def dilate(img):
    gray=cv.cvtColor(img,cv.COLOR_RGB2GRAY)
    ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
    #获得结构元素
    #第一个参数：结构元素形状，这里是矩形
    #第二个参数：结构元素大小
    kernel=cv.getStructuringElement(cv.MORPH_RECT,(5,5))
    #执行膨胀
    dst=cv.dilate(binary,kernel)
    cv.imshow("dilate",dst)
 
 
src=cv.imread('num.jpg')
cv.imshow('def',src)
erode(src)
dilate(src)
cv.waitKey(0)
cv.destroyAllWindows()

目标

了解形态学操作的概念
学习膨胀、腐蚀、开运算和闭运算等形态学操作
OpenCV函数：cv2.erode(), cv2.dilate(), cv2.morphologyEx()

教程

啥叫形态学操作

形态学操作其实就是改变物体的形状，比如腐蚀就是”变瘦”，膨胀就是”变胖”，看下图就明白了：

形态学操作一般作用于二值化图，来连接相邻的元素或分离成独立的元素。腐蚀和膨胀是针对图片中的白色部分！

腐蚀

腐蚀的效果是把图片”变瘦”，其原理是在原图的小区域内取局部最小值。因为是二值化图，只有0和255，所以小区域内有一个是0该像素点就为0：

这样原图中边缘地方就会变成0，达到了瘦身目的（小胖福利(●ˇ∀ˇ●)）

OpenCV中用cv2.erode()函数进行腐蚀，只需要指定核的大小就行：

img = cv2.imread('j.bmp', 0)
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.erode(img, kernel)  # 腐蚀

这个核也叫结构元素，因为形态学操作其实也是应用卷积来实现的。结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素，比如：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  # 矩形结构
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))  # 椭圆结构
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))  # 十字形结构

膨胀

膨胀与腐蚀相反，取的是局部最大值，效果是把图片”变胖”：

dilation = cv2.dilate(img, kernel)  # 膨胀

开/闭运算

先腐蚀后膨胀叫开运算（因为先腐蚀会分开物体，这样容易记住），其作用是：分离物体，消除小区域。这类形态学操作用cv2.morphologyEx()函数实现：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  # 定义结构元素

img = cv2.imread('j_noise_out.bmp', 0)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)  # 开运算

闭运算则相反：先膨胀后腐蚀（先膨胀会使白色的部分扩张，以至于消除/”闭合”物体里面的小黑洞，所以叫闭运算）

img = cv2.imread('j_noise_in.bmp', 0)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)  # 闭运算

经验之谈：很多人对开闭运算的作用不是很清楚（好吧，其实是比较容易混◑﹏◐），但看上图↑，不用怕：如果我们的目标物体外面有很多无关的小区域，就用开运算去除掉；如果物体内部有很多小黑洞，就用闭运算填充掉。

接下来的3种形态学操作并不常用，大家有兴趣可以看看（因为较短，没有做成番外篇）：

其他形态学操作

形态学梯度：膨胀图减去腐蚀图，dilation - erosion，这样会得到物体的轮廓：

img = cv2.imread('school.bmp', 0)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

顶帽：原图减去开运算后的图：src - opening

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

黑帽：闭运算后的图减去原图：closing - src

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

小结

形态学操作就是改变物体的形状，如腐蚀使物体”变瘦”，膨胀使物体”变胖”
先腐蚀后膨胀会分离物体，所以叫开运算，常用来去除小区域物体
先膨胀后腐蚀会消除物体内的小洞，所以叫闭运算。开/闭理解了之后很容易记忆噢(⊙o⊙)

# ex2tron's blog:
# http://ex2tron.wang

import cv2
import numpy as np

# 1.腐蚀与膨胀
img = cv2.imread('j.bmp', 0)
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.erode(img, kernel)  # 腐蚀
dilation = cv2.dilate(img, kernel)  # 膨胀

cv2.imshow('erosion/dilation', np.hstack((img, erosion, dilation)))
cv2.waitKey(0)


# 2.定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  # 矩形结构
print(kernel)

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))  # 椭圆结构
print(kernel)

kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))  # 十字形结构
print(kernel)

# 3.开运算与闭运算
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  # 定义结构元素

# 开运算
img = cv2.imread('j_noise_out.bmp', 0)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', np.hstack((img, opening)))
cv2.waitKey(0)

# 闭运算
img = cv2.imread('j_noise_in.bmp', 0)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('closing', np.hstack((img, closing)))
cv2.waitKey(0)


# 4.形态学梯度
img = cv2.imread('school.bmp', 0)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('morphological gradient', np.hstack((img, gradient)))
cv2.waitKey(0)


# 5.顶帽
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('top hat', np.hstack((img, tophat)))
cv2.waitKey(0)


# 6.黑帽
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('black hat', np.hstack((img, blackhat)))
cv2.waitKey(0)