OpenCV高级形态学变换：梯度、顶帽与黑帽

#形态学梯度

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

#顶帽变换

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

#黑帽变换

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

参数说明：

img：输入图像，通常是二值图像或灰度图像

cv2.MORPH_GRADIENT：形态学梯度标志

cv2.MORPH_TOPHAT：顶帽变换标志

cv2.MORPH_BLACKHAT：黑帽变换标志

kernel：结构元素

完整示例

//python

python 复制代码

import cv2

import numpy as np

import matplotlib.pyplot as plt

 #读取图像
img = cv2.imread('shape.jpg', 0)

 #创建结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

 #形态学梯度
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

# 顶帽变换
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

 #黑帽变换
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

 #显示结果
plt.figure(figsize=(15, 5))

titles = ['Original', 'Gradient', 'Top Hat', 'Black Hat']

images = [img, gradient, tophat, blackhat]


for i in range(4):

    plt.subplot(1, 4, i+1)

    plt.imshow(images[i], cmap='gray')

    plt.title(titles[i])

    plt.axis('off')


plt.tight_layout()

plt.show()

四、应用场景

1. 形态学梯度的应用

场景1：边界提取

形态学梯度常用于提取图像中物体的边界，特别是对于对比度较低的图像，形态学梯度比传统的边缘检测算法（如Canny）效果更好。

//python

#读取图像

img = cv2.imread('object.jpg', 0)

#创建结构元素

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

#形态学梯度提取边界

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

场景2：轮廓增强

形态学梯度可以增强物体的轮廓，使轮廓更加清晰，便于后续的轮廓分析和目标检测。

2. 顶帽变换的应用

场景1：校正不均匀光照

顶帽变换可以校正图像中的不均匀光照，提取出真正的物体信息。

//python

#读取光照不均匀的图像

img = cv2.imread('uneven_light.jpg', 0)

#创建结构元素

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 15))

#顶帽变换校正光照

corrected = cv2.add(img, cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel))

场景2：提取小物体

顶帽变换可以提取图像中比结构元素小的高亮物体，常用于检测图像中的小目标。

//python

#读取包含小物体的图像

img = cv2.imread('small_objects.jpg', 0)

#创建结构元素

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

#顶帽变换提取小物体

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

3. 黑帽变换的应用

场景1：检测小空洞

黑帽变换可以检测图像中的小空洞，常用于图像修复和缺陷检测。

//python

读取包含小空洞的图像

img = cv2.imread('small_holes.jpg', 0)

#创建结构元素

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

#黑帽变换检测小空洞

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

场景2：提取阴影

黑帽变换可以提取图像中的阴影区域，常用于监控视频中的运动物体检测。

//python

#读取包含阴影的图像

img = cv2.imread('shadow.jpg', 0)

#创建结构元素

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (10, 10))

#黑帽变换提取阴影

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

五、实际应用案例

案例1：文本提取

//python

python 复制代码

 #读取文本图像
img = cv2.imread('text.jpg', 0)

 #创建结构元素
 #顶帽变换使用大结构元素校正光照
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (20, 20))

 #形态学梯度使用小结构元素提取文本边界
kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

 #顶帽变换校正光照
corrected = cv2.add(img, cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel1))

 #二值化处理
ret, binary = cv2.threshold(corrected, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

 #形态学梯度提取文本边界
boundary = cv2.morphologyEx(binary, cv2.MORPH_GRADIENT, kernel2)

案例2：细胞检测

//python

python 复制代码

 #读取细胞图像

img = cv2.imread('cells.jpg', 0)

 #创建结构元素

 #顶帽变换使用小结构元素提取细胞

kernel1 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))

 #黑帽变换使用小结构元素检测细胞核

kernel2 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))

 #顶帽变换提取细胞

cells = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel1)

 #二值化处理

ret, binary = cv2.threshold(cells, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

 #黑帽变换检测细胞核

nuclei = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel2)

六、参数选择

1. 结构元素的选择

形状：根据处理对象的形状选择合适的结构元素，如矩形结构元素适用于处理矩形物体，椭圆结构元素适用于处理圆形物体

大小：结构元素的大小应与要提取的特征大小相匹配，过大或过小的结构元素都会影响处理效果

2. 图像类型的选择

形态学梯度适用于二值图像和灰度图像

顶帽变换和黑帽变换更适用于灰度图像，特别是光照不均匀的图像

七、注意事项

噪声影响：这些高级形态学变换对噪声比较敏感，在处理前可以先进行去噪操作

边界处理：在进行形态学变换时，OpenCV默认使用cv2.BORDER_CONSTANT边界模式，将边界像素填充为0（黑色），可以根据实际需求调整边界模式

计算效率：对于大尺寸图像，这些变换可能比较耗时，可以考虑使用较小的结构元素或减少迭代次数

参数调整：需要根据实际图像和处理需求调整结构元素的形状和大小，以达到最佳的处理效果

八、总结

本文详细介绍了OpenCV中的三种高级形态学变换：形态学梯度、顶帽变换和黑帽变换。这些变换在图像分析和处理中有着广泛的应用：

形态学梯度：用于提取物体的边界和增强轮廓

顶帽变换：用于校正不均匀光照和提取小物体

黑帽变换：用于检测小空洞和提取阴影

在实际应用中，这些变换通常与其他图像处理技术结合使用，如阈值分割、轮廓检测等，以解决更复杂的图像处理问题。通过合理选择结构元素的形状和大小，可以获得最佳的处理效果。