OpenCV图像形态学详解

文章目录

一、什么是图像形态学？
二、基本概念：结构元素
三、基本形态学操作
- [1. 腐蚀（Erosion）](#1. 腐蚀（Erosion）)
- [2. 膨胀（Dilation）](#2. 膨胀（Dilation）)
- [3. 开运算（Opening）](#3. 开运算（Opening）)
- [4. 闭运算（Closing）](#4. 闭运算（Closing）)
四、高级形态学操作
- [1. 形态学梯度](#1. 形态学梯度)
- [2. 顶帽（Top Hat）与黑帽（Black Hat）](#2. 顶帽（Top Hat）与黑帽（Black Hat）)
五、总结

一、什么是图像形态学？

图像形态学（Image Morphology）是数字图像处理领域的一个重要分支，主要研究基于形状的图像处理技术。它最初源于对生物体形态的研究，后来被引入到图像分析中，成为提取图像中有用形状特征的有效工具。

在OpenCV中，形态学操作主要基于二值图像（黑白图像）进行处理，通过结构元素（kernel）与图像进行特定操作来实现各种效果，广泛应用于边缘检测、噪声去除、形状分析等领域。

二、基本概念：结构元素

结构元素（Structuring Element）是形态学操作的核心，它决定了操作的邻域形状和大小。可以把它想象成一个小的矩阵或模板，在图像上滑动并进行比较。

python 复制代码

import cv2
import numpy as np

# 创建矩形结构元素
kernel_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
# 创建椭圆形结构元素
kernel_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
# 创建十字形结构元素
kernel_cross = cv2.getStructuringElement(cv2.MORPH_CROSS, (5,5))

print("矩形结构元素:\n", kernel_rect)
print("椭圆形结构元素:\n", kernel_ellipse)
print("十字形结构元素:\n", kernel_cross)

三、基本形态学操作

1. 腐蚀（Erosion）

腐蚀操作可以看作是将图像"收缩"或"细化"的过程。它会侵蚀掉物体的边界，使物体变小。

原理：结构元素在图像上滑动，只有当结构元素完全覆盖前景像素时，中心像素才保留为前景，否则变为背景

图像腐蚀, 函数为：

python 复制代码

cv2.erode(src, kernel, dst,anchor,iterations,borderType,borderValue)
src: 输入的图像
kernel: 用于腐蚀的结构元件如果element = Mat()，则使用3 × 3的矩形结构单元。
dst: 它是与src相同大小和类型的输出图像。
iterations:腐蚀操作的迭代次数，默认为1。次数越多, 腐蚀操作执行的次数越多,腐蚀效果越明显

下面我们以一张太阳的图片来进行腐蚀：

python 复制代码

import cv2
import numpy as  np
sun = cv2.imread('sun.png')
cv2.imshow('src',sun)
cv2.waitKey(0)
kernel = np.ones((3,3),np.uint8) #设置kernel大小
erosion_1 = cv2.erode(sun,kernel,iterations=2)
cv2.imshow('erosion_1',erosion_1)
cv2.waitKey(0)

左图是原图，右边为腐蚀后的图片：

应用场景：

去除小的白噪声
分离相连的物体
消除细小的突出物

2. 膨胀（Dilation）

膨胀是腐蚀的对偶操作，可以看作是将图像"扩张"或"变粗"的过程。

原理：结构元素在图像上滑动，只要结构元素与前景像素有重叠，中心像素就设置为前景。

图像腐蚀, 函数为：

python 复制代码

cv2.dilate(img, kernel, iteration)
参数含义：
img -- 目标图片
kernel -- 进行操作的内核，默认为3×3的矩阵
iterations -- 膨胀次数，默认为1

python 复制代码

# 膨胀操作
dilated = cv2.dilate(binary, kernel_rect, iterations=1)

cv2.imshow('Original', binary)
cv2.imshow('Dilated', dilated)
cv2.waitKey(0)
cv2.destroyAllWindows()

左图是原图，右边为膨胀后的图片：

应用场景：

填补物体中的空洞
连接相邻的物体
增加物体尺寸

3. 开运算（Opening）

开运算是先腐蚀后膨胀的过程。

作用：平滑物体的轮廓、断开较窄的狭颈并消除细的突出物。

下面以一张指纹图片，进行开运算操作

python 复制代码

import cv2
import numpy as  np
zhiwen = cv2.imread('zhiwen.png')
cv2.imshow('src2',zhiwen)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel)
cv2.imshow('zhiwen_new',zhiwen_new)
cv2.waitKey(0)

运行结果如下：

特点：

消除小的前景区域（噪声）
平滑物体轮廓但不明显改变面积
断开狭窄的连接

4. 闭运算（Closing）

闭运算是先膨胀后腐蚀的过程。

作用：弥合较窄的间断和细长的沟壑，清除小的孔洞，填补轮廓线中的断裂

python 复制代码

zhiwen = cv2.imread('zhiwen_duan.png')
cv2.imshow('src3',zhiwen)
cv2.waitKey(0)
kernel = np.ones((5,5),np.uint8)
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_CLOSE,kernel)
cv2.imshow('zhiwen_new1',zhiwen_new)
cv2.waitKey(0)

运行结果如下：

特点：
填补前景区域中的小孔
连接邻近物体
平滑轮廓但不明显改变面积

四、高级形态学操作

1. 形态学梯度

形态学梯度是膨胀图与腐蚀图之差，可以得到物体的轮廓。

作用：突出显示图像中强度变化剧烈的地方

python 复制代码

import cv2
import numpy as  np
wenzi = cv2.imread('wenzi.png')
cv2.imshow('wenzi_new',wenzi)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
#膨胀-腐蚀
bianyuan = cv2.morphologyEx(wenzi,cv2.MORPH_GRADIENT,kernel)
cv2.imshow('bianyuan',bianyuan)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下：

应用：边缘检测、轮廓提取

2. 顶帽（Top Hat）与黑帽（Black Hat）

顶帽是原图像与开运算结果之差，黑帽是闭运算结果与原图像之差。

python 复制代码

import cv2
import numpy as  np
# # 顶帽 = 原始图像 - 开运算结果(先腐蚀后膨胀)
# # 黑帽 = 闭运算(先膨胀后腐蚀) - 原始图像
sun = cv2.imread('sun.png')
cv2.imshow('sun_yuantu',sun)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)

#顶帽
tophat = cv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel)
cv2.imshow('TOPHAT',tophat)
cv2.waitKey(0)

#黑帽
blackhat = cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow('BLACKHAT',blackhat)
cv2.waitKey(0)

运行结果如下

应用：

顶帽：突出比邻近区域亮的微小物体
黑帽：突出比邻近区域暗的微小物体

五、总结

OpenCV中的形态学操作是图像处理中极为强大的工具，通过合理组合基本操作可以解决许多实际问题。关键点包括：

理解结构元素对结果的影响
掌握腐蚀、膨胀、开运算、闭运算等基本操作
学会根据实际问题选择适当的操作组合
通过调整迭代次数和结构元素大小优化效果

形态学操作虽然简单，但在实际应用中往往能发挥意想不到的效果，大家一定要多去练习并且在这些运行结果种发现各个操作的区别。
代码的学习就是多练，多看，多思考，相信大家坚持下去一定会成功的，希望这篇文章能帮助到您！