形态学操作

 import cv2
 import matplotlib
 import matplotlib.pyplot as plt #取别名（用于绘图展示）
 import numpy as np #取别名,下面是notepad专用，立即显示图像
 %matplotlib inline 

 def cv_show(name, img): #定义函数用于显示图片,此处name为窗口名，img为cv2调用imread方法的返回值
     cv2.imshow(name,img)
     cv2.waitKey(0)
     cv2.destroyAllWindows()

def winds(images, scale):
    shape = images[0].shape[1::-1]
    for i in range(len(images)):
        images[i] = cv2.resize(images[i], shape)
        images[i] = cv2.resize(images[i], (0, 0), fx = scale, fy = scale)
        images[i][ :,-2:,:] = 255
    res = np.hstack(images)
    cv_show('Compare', res)

一、腐蚀

• 处理办法：

  以矩阵为操作单位，只要D8邻域存在黑点，即像素值为0，则就会将中心点置为0

• 注意：

  腐蚀和膨胀都是不可逆操作，会直接在原图像 （空间域） 上面操作，导致图片丢失像素点信息

 img = cv2.imread('Fur.png')
 cv_show('Fur', img)

 kernel = np.ones((3, 3), np.uint8) #腐蚀滤波器
 erosion = cv2.erode(img, kernel, iterations = 1) 
 cv_show('Erosion', erosion)

• 效果对比：

winds([img, erosion],2)

 round = cv2.imread('round.png')
 cv_show("Round", round)

 kernel = np.ones((5, 5), np.uint8) #腐蚀的范围
 erosion_r = cv2.erode(round, kernel, iterations = 2) #
 cv_show('Erosion-R', erosion_r)

 res = np.hstack([round, erosion_r]) #只有自然数模块numpy才有此方法
 cv_show('Test', res)

 # *（腐蚀）迭代iterations次数
 kernel = np.ones((30, 30), np.uint8) #腐蚀的范围,越大效果越明显
 erosion_1 = cv2.erode(round, kernel, iterations = 1)
 erosion_2 = cv2.erode(round, kernel, iterations = 2)
 erosion_3 = cv2.erode(round, kernel, iterations = 3)
 erosion_4 = cv2.erode(round, kernel, iterations = 4)
 erosion = np.hstack([ round, erosion_1, erosion_2, erosion_3, erosion_4])
 ​
 cv_show('Compare', erosion)

• 效果图：

二、膨胀

• 腐蚀的逆运算：

  取方阵，若D8邻域内有白点255，则该中心值变为255

 img = cv2.imread('Fur.png')
 ​
 cv_show('Fur', img)

 kernel = np.ones((3, 3), np.uint8) #腐蚀配置
 e = cv2.erode(img, kernel, iterations = 1)
 ​
 cv_show('Erosion', e)

 kernel = np.ones((3, 3), np.uint8) #膨胀配置
 dilate = cv2.dilate(e, kernel, iterations = 1) #把腐蚀变细的感兴趣的线条弥补回来
 ​
 cv_show('Dilate', dilate)

 round = cv2.imread('round.png')
 kernel = np.ones((30, 30), np.uint8) #核矩阵越小，越接近圆
 dilate_1 = cv2.dilate(round, kernel, iterations = 1)
 dilate_2 = cv2.dilate(round, kernel, iterations = 2)
 dilate_3 = cv2.dilate(round, kernel, iterations = 3)
 ​
 res = np.hstack([dilate_1, dilate_2, dilate_3])
 cv_show('Compare', res) #2333,也变方了，腐蚀会将圆侵蚀为菱形

效果对比：

四、开闭运算

• 开运算(morphologyEx,cv2.MORPH_OPEN)：先腐蚀后膨胀，无迭代次数

• 闭运算(morphologyEx,cv2.MORPH_CLOSE): 先膨胀后腐蚀，不能淘汰细节

## 开：先腐蚀，再膨胀
img = cv2.imread('Fur.png')

kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

res = np.hstack([img, opening])
cv_show('Test', res)

效果对比：

## 闭：先膨胀，再腐蚀
img = cv2.imread('Fur.png')

kernel = np.ones((3, 3), np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

res = np.hstack([img, closing])
cv_show('Test', res)

效果对比：

可以看出闭运算不能淘汰细节

四、梯度运算

• 梯度运算 = 膨胀 - 腐蚀
• 上述减法是图像减法，也就是阵列减法

## 梯度运算 = 膨胀 - 腐蚀
round = cv2.imread('round.png')

kernel = np.ones((10, 10), np.uint8)
dilate = cv2.dilate(round, kernel, iterations = 5)
erosion = cv2.erode(round, kernel, iterations = 5)

res = np.hstack([dilate, erosion])
cv_show('Test', res)

kernel = np.ones((10, 10), np.uint8)
gradient = cv2.morphologyEx(round, cv2.MORPH_GRADIENT, kernel)

cv_show('Gredient', gradient)

效果对比：

winds([round, dilate, erosion, gradient],0.9)

五、礼帽和黑帽

• 礼帽 = 原始输入 - 开（先腐蚀再膨胀）运算结果
• 黑帽 = 闭（先膨胀后腐蚀）运算结果 - 原始输入

 # 礼帽
 img = cv2.imread('Fur.png')
 kernel = np.ones((5, 5) , np.uint8)
 tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
 ​
 cv_show('TopHat', tophat)

 # 黑帽
 img = cv2.imread('Fur.png')
 kernel = np.ones((5, 5), np.uint8)
 blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
 ​
 cv_show('Black',blackhat)
 ​