计算机视觉--opencv(代码详细教程）（三）--图像形态学

OpenCV 图像形态学详细介绍

图像形态学（Morphology）是基于形状对图像进行处理的数学分支，主要通过结构元素（Structuring Element） 与图像的交互来实现图像分析和处理。OpenCV 作为开源计算机视觉库，提供了丰富的形态学操作函数，广泛应用于图像去噪、边缘检测、目标分割、形状分析等领域。

一、形态学基础概念

1. 结构元素（Structuring Element）

结构元素是形态学操作的核心工具，本质是一个具有特定形状（如矩形、圆形、十字形）的小矩阵，用于定义操作的 "局部邻域"。

• 作用：通过滑动遍历图像，与图像中的像素进行交互（如比较、运算），决定输出像素的值。

• OpenCV 定义方式 ：

  使用 cv2.getStructuringElement(shape, ksize) 生成，其中：

  • shape：结构元素形状（cv2.MORPH_RECT 矩形、cv2.MORPH_ELLIPSE 椭圆、cv2.MORPH_CROSS 十字形）。

  • ksize：结构元素大小（如 (3,3)、(5,5)），尺寸越大，操作强度越高。

    import cv2

    生成3x3矩形结构元素

    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

2. 二值图像与灰度图像的形态学

形态学操作最初针对二值图像 （像素值仅为 0 或 255）设计，后续扩展到灰度图像：

• 二值图像：操作基于像素是否为 "前景"（255）。
• 灰度图像：操作基于像素值的大小（如最大值、最小值）

二、基本形态学操作

OpenCV 中最基础的形态学操作包括腐蚀、膨胀、开运算、闭运算 ，均通过 cv2.morphologyEx() 或专用函数实现。

1. 腐蚀（Erosion）

原理

结构元素在图像上滑动，仅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。

• 效果：缩小前景区域，消除小噪声、断开连接区域。

OpenCV 实现

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

sun = cv2.imread ('sun.png')
cv2.imshow ('winname',sun)
cv2.waitKey (0)
kernel = np.ones ((3,3),np.uint8)
erosion_1 = cv2.erode(sun,kernel,iterations=2)
cv2.imshow('erosion_1',erosion_1)
cv2.waitKey(0)

应用场景

• 去除图像中的小亮点噪声。
• 分离重叠的物体（如粘连的字符）。

2. 膨胀（Dilation）

原理

结构元素在图像上滑动，只要结构元素与前景像素有交集，中心像素就变为前景。

• 效果：扩大前景区域，填补小空洞、连接断裂区域。

OpenCV 实现

# # 2、图像膨胀，函数为：
# # cv2.dilate(img, kernel, iteration)
# # 参数含义：
# # img - 目标图片
# # kernel - 进行操作的内核，默认是 3x3 的矩阵
# # iterations - 膨胀次数，默认是 1

wenzi = cv2.imread('wenzi.png')
cv2.imshow('src2',wenzi)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
wenzi_new = cv2.dilate(wenzi,kernel,iterations=2)
cv2.imshow('wenzi_new',wenzi_new)
cv2.waitKey(0)

应用场景

• 修复目标边缘的小缺口。
• 增强目标区域的连通性。

3. 开运算（Opening）

原理

先腐蚀后膨胀 （开运算 = 膨胀(腐蚀(图像))）。

• 效果：消除小噪声、平滑目标边缘，同时基本保持目标大小不变。

OpenCV 实现

zhiwen = cv2.imread('zhiwen.png')
cv2.imshow('zhiwen', zhiwen)
# cv2.waitKey(0)
kernel = np.ones((2,2), np.uint8)  # 设置kernel大小
zhiwen_new = cv2.morphologyEx(zhiwen, cv2.MORPH_OPEN, kernel)  # 开运算
cv2.imshow('zhiwen_new', zhiwen_new)
cv2.waitKey(0)

应用场景

• 去除图像中的孤立小噪声点（如老照片的斑点）。
• 分离紧密相连的物体。

4. 闭运算（Closing）

原理

先膨胀后腐蚀 （闭运算 = 腐蚀(膨胀(图像))）。

• 效果：填补目标内部的小空洞、连接断裂的区域，保持目标大小基本不变。

OpenCV 实现

zhiwen_duan = cv2.imread('zhiwen_duan.png')
cv2.imshow('zhiwen)duan', zhiwen_duan)
# cv2.waitKey(0)
kernel = np.ones((4,4), np.uint8)  # 设置kernel大小
zhiwen_new = cv2.morphologyEx(zhiwen_duan, cv2.MORPH_CLOSE, kernel)  # 闭运算
cv2.imshow('zhiwen_new_new', zhiwen_new)
cv2.waitKey(0)

应用场景

• 修复目标内部的小孔洞（如文字中的断笔）。
• 连接目标的断裂部分（如道路分割中的断开路段）。

三、高级形态学操作

基于基础操作的组合，OpenCV 还提供了更复杂的形态学操作，用于边缘检测、梯度计算等。

1. 形态学梯度（Morphological Gradient）

原理

膨胀结果减去腐蚀结果 （梯度 = 膨胀(图像) - 腐蚀(图像)）。

• 效果：突出目标的边缘轮廓，边缘宽度与结构元素大小相关。

OpenCV 实现

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

wenzi = cv2.imread('wenzi.png')
cv2.imshow('wenzi',wenzi)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
#膨胀
pz_wenzi = cv2.dilate(wenzi,kernel,iterations=1)
cv2.imshow('pz_wenzi',pz_wenzi)
cv2.waitKey(0)
#腐蚀
fs_wenzi = cv2.erode(wenzi,kernel,iterations=1)
cv2.imshow('fs_wenzi',fs_wenzi)
cv2.waitKey(0)
#膨胀加腐蚀
bianyuan = cv2.morphologyEx(wenzi,cv2.MORPH_OPEN,kernel)
cv2.imshow('dianyuan',bianyuan)
cv2.waitKey(0)
cv2.destroyAllWindows()

应用场景

• 提取目标的边缘轮廓（替代传统边缘检测算子如 Canny）。

2. 顶帽运算（Top Hat）

原理

原图减去开运算结果 （顶帽 = 原图 - 开运算(图像)）。

• 效果：突出图像中比周围亮且小于结构元素的区域（如小亮点噪声）。

OpenCV 实现

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

应用场景

• 提取图像中的小面积亮区域（如医学图像中的微钙化点）。

3. 黑帽运算（Black Hat）

原理

闭运算结果减去原图 （黑帽 = 闭运算(图像) - 原图）。

• 效果：突出图像中比周围暗且小于结构元素的区域（如小暗点噪声）。

OpenCV 实现

python

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

应用场景

• 提取图像中的小面积暗区域（如缺陷检测中的黑点）。

sun = cv2.imread('sun.png')
cv2.imshow( 'sun_yuantu' ,sun)
cv2.waitKey(0)
kernel =np.ones( (2,2),np.uint8)#设置kenenel大小#开运算
open_sun=cv2.morphologyEx(sun,cv2.MORPH_OPEN,kernel)
cv2.imshow( 'open_sun',open_sun)
cv2.waitKey(0)
#顶帽
tophat =cv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel)
cv2.imshow( 'TOPHAT',tophat)
cv2.waitKey(0)
#闭运算
close_sun=cv2.morphologyEx(sun,cv2.MORPH_CLOSE,kernel)
cv2.imshow('close_sun',close_sun)
cv2.waitKey(0)
#黑帽
blackhat =cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow( 'BLACKHAT',blackhat)
cv2.waitKey(0)

4. 击中 - 击不中变换（Hit-or-Miss）

原理

通过两个结构元素（目标结构和背景结构）检测特定形状的区域，仅当目标结构匹配前景且背景结构匹配背景时，才标记为击中。

• 效果：精确检测特定形状的目标（如特定模式的纹理）。

OpenCV 实现

# kernel1为目标结构，kernel2为背景结构
hitmiss = cv2.morphologyEx(src, cv2.MORPH_HITMISS, kernel)

应用场景

• 模式识别（如检测特定符号、纹理）。

四、形态学操作的关键参数

1. 结构元素形状与大小：

   • 形状影响操作的方向性（如十字形对线性结构更敏感）。
   • 大小决定操作强度（尺寸越大，腐蚀 / 膨胀效果越显著）。

2. 迭代次数（Iterations） ：

   多次迭代相当于使用更大的结构元素（如 2 次 3x3 腐蚀 ≈ 1 次 5x5 腐蚀）。

3. 图像类型 ：

   二值图像需确保前景为 255、背景为 0；灰度图像操作基于像素值的极值计算。

五、总结

OpenCV 的图像形态学操作通过结构元素与图像的交互，实现了对图像形状的灵活调整和分析。从基础的腐蚀、膨胀到高级的梯度、顶帽运算，这些操作在图像处理中具有不可替代的作用。实际应用中需根据具体任务选择合适的操作类型、结构元素和参数，以达到最佳效果。