Python-OpenCV——Morphological Transformations(形态学转换)

目标

这一节

• 我们将学习不同的形态学操作，如腐蚀、膨胀、开、闭......
• 我们将看到不同的函数，如：cv2.erode()、cv2.dilate()、cv2.morphology()

理论

形态变换是基于图像形状的一些简单操作。它通常在二进制图像上执行。它需要两个输入，一个是我们的原始图像，第二个是称为结构元素或内核，它决定了操作的本质。两个基本的形态学运算符是侵蚀和膨胀。然后它的变体形式如Opening，Closing，Gradient等也发挥作用。我们将在以下图片的帮助下逐一看到它们：

1、腐蚀（Erosion）

腐蚀的基本思想就像土壤侵蚀一样，它会侵蚀前景物体的边界（总是试图保持前景为白色）。那它是做什么的？内核在图像中滑动（如在2D卷积中）。只有当内核下的所有像素都是1时，原始图像中的像素（1或0）才会被视为1，否则它将被侵蚀（变为零）。

所以发生的事情是，边界附近的所有像素都将被丢弃，具体取决于内核的大小。因此，前景对象的厚度或大小减小，或者图像中的白色区域减小。它有助于消除小的白噪声（正如我们在色彩空间章节中看到的那样），分离两个连接的对象等。

在这里，作为一个例子，我将使用一个全1的5x5内核，其中包含完整的内核。让我们看看它是如何工作的：

import cv2
import numpy as np

img = cv2.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

结果：

2、膨胀（Dilation）

它恰好与腐蚀相反。这里，如果内核下的至少一个像素为“1”，则像素元素为“1”。因此它增加了图像中的白色区域或前景对象的大小增加。通常，在去除噪音的情况下，腐蚀之后再膨胀。因为，腐蚀会消除白噪声，但它也会缩小我们的物体，所以我们需要再扩大它。由于噪音消失了，它们不会再回来，但我们的物体区域会增加。它也可用于连接对象的破碎部分。

dilation = cv2.dilate(img,kernel,iterations = 1)

结果：

3、开运算（Opening）

开运算是腐蚀再膨胀的另一种说法。如上所述，它有助于消除噪音。这里我们使用函数cv2.morphologyEx().

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

结果：

4. 闭运算（Closing）

开运算与闭运算，腐蚀和膨胀是相反的。闭运算就是先膨胀再腐蚀，它可用于关闭前景对象内的小孔或对象上的小黑点。

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

结果：

我们可以通过以下代码观察之间的关系：

import cv2
import numpy as np

img = cv2.imread('./Pictures/j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

img2 = ~img
dilation = cv2.dilate(img2,kernel,iterations = 1)
dilation = ~dilation

htich = np.hstack((img, erosion, dilation))
cv2.imshow("erosion", htich)
cv2.waitKey(0)

结果：

可见，img开运算等同于反转图闭运算再反转。

5、形态梯度（Morphological Gradient）

它是一张图像膨胀和腐蚀之间的差异，结果看起来像对象的轮廓。

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

结果:

其效果等同于膨胀减去腐蚀。

import cv2
import numpy as np

img = cv2.imread('./Pictures/j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
dilation = cv2.dilate(img,kernel,iterations = 1)
diff = dilation - erosion

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

htich = np.hstack((img, gradient, diff))
cv2.imwrite("./Pictures/i.png", htich)
cv2.imshow("erosion", htich)
cv2.waitKey(0)

效果：

6、高帽变换（Top Hat/White Top-Hot）

它是输入图像和图像开运算之间的区别。下面的示例是针对9x9内核完成的。

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

结果：

其等同于膨胀后减去原图，例如，该图在使用2x2内核时，两者效果比较接近。

import cv2
import numpy as np

img = cv2.imread('./Pictures/j.png',0)
kernel = np.ones((2,2),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
dilation = cv2.dilate(img,kernel,iterations = 1)
diff = img - dilation
diff2 = dilation - img

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

htich = np.hstack((img, tophat, diff2))
cv2.imwrite("./Pictures/i.png", htich)
cv2.imshow("erosion", htich)
cv2.waitKey(0)

结果：

7、黑帽变换（Black Hat/Black Top-Hot）

它是闭运算与输入图像的差异。

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

结果：

其等同于原图减去闭运算，显然这两个都能用来提取轮廓，有什么区别呢？WTH能使较暗背景中较亮的像素聚集，BTH能使较亮背景中较暗像素的聚集。前者使“峰”更尖，后者使“谷”更深。两者结合$THE(f)=f+WTH(f,b)-BTH(f,b)$，对比更加明显。

结构元素（Structuring Element）

我们在Numpy的帮助下手动创建了前面示例中的结构元素。它是矩形。但在某些情况下，您可能需要椭圆/圆形内核。因此，为此，OpenCV有一个函数cv2.getStructuringElement（）。您只需传递内核的形状和大小，即可获得所需的内核。

# Rectangular Kernel
>>> cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
array([[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]], dtype=uint8)

# Elliptical Kernel
>>> cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)

# Cross-shaped Kernel
>>> cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)

参考链接：OpenCV-Python Tutorials https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_morphological_ops/py_morphological_ops.html#dilation