OpenCV-Python实现通用形态学函数-巨人网络通讯

主页 > 知识库 > OpenCV-Python实现通用形态学函数

OpenCV-Python实现通用形态学函数

通用形态学函数

上篇博文，我们介绍了形态学的基础腐蚀与膨胀操作，而将腐蚀与膨胀结合起来进行组合，我们就能实现开运算，闭运算等复杂的形态学运算。

在OpenCV中，它给我们提供的通用形态学函数为cv2.morphologyEx()，其完整定义如下：

def morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):

这些参数基本前面都介绍过，不过有一点需要说明，src原始图像必须是CV_8U，CV_16U，CV_16S，CV_32F，CV_64F中的一种。

当然，这里面还有一个陌生的参数就是op，它就是各种形态学的类别，具体类别如表所示：

类型	说明	意义	操作
cv2.MORPH_ERODE	腐蚀	腐蚀	erode()
cv2.MORPH_DILATE	膨胀	膨胀	dilate()
cv2.MORPH_OPEN	开运算	先腐蚀后膨胀	dilate(erode())
cv2.MORPH_CLOSE	闭运算	先膨胀后腐蚀	erode(dilate())
cv2.MORPH_GRADIENT	形态学梯度运算	膨胀图减腐蚀图	dilate()-erode()
cv2.MORPH_TOPHAT	顶帽运算	原始图像减开运算所得图像	src-open()
cv2.MORPH_BLACKHAT	黑帽运算	闭运算所得图像减原始图像	close()-src
cv2.MORPH_HITMISS	击中击不中	前景背景腐蚀运算的交集。仅仅支持CV8UC1二进制图像	intersection(erode(src),erode(src1))

开运算

如上表所示，开运算是将原图像腐蚀，再对其进行膨胀操作。主要用于去噪，计数等。去噪我们已经通过上面的腐蚀操作就可以完成，下面我们来实现有趣的计数操作。

import cv2
import numpy as np

img = cv2.imread("open.jpg",cv2.IMREAD_UNCHANGED)
kernel = np.ones((9,9), np.float32)
result = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel,iterations=5)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，我们能将不同区域划分开来，效果如下：

闭运算

闭运算是先膨胀后腐蚀的运算，它有助于关闭前景物体内部的小孔，或去除物体上的小黑点，还可以将不同的前景图像进行连接。下面，我们就将上图进行连接。

import cv2
import numpy as np

img = cv2.imread("close.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((10, 10), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=7)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，两个方块就连接为一个整体了，效果如下所示：

形态学梯度运算

形态学梯度运算是用图像膨胀后的图像减去腐蚀图像的运算，该操作可以获取原始图像中的前景图像的边缘。我们还是用上篇膨胀的图来测试，代码如下：

import cv2
import numpy as np

img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，我们的图像就中空了，效果如下：

顶帽运算

顶帽运算是用原始图像减去其开运算图像的操作。它能够获取图像的噪声信息，或者得到比原图像的边缘更亮的边缘信息。也就是获取上图中的白色线条，具体代码如下：

import cv2
import numpy as np

img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，效果如下：

黑帽运算

黑帽运算是用闭运算图像减去原始图像的操作。它能够获取内部的小孔，或前景色中的小黑点，亦或者得到比原始图像的边缘更暗的边缘部分。这里，我们用前面的人物图像，代码如下：

import cv2
import numpy as np

img = cv2.imread("4.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，效果如下：

结构元函数

前面我们介绍过，结构元可以自定义，也可以通过cv2.getStructuringElement()函数生成。这里，我们来看看其完整的定义：

def getStructuringElement(shape, ksize, anchor=None):

shape：形状类型，取值如下表：

类型	意义
cv2.MORPH_RECT	矩形结构元，所有元素值为1
cv2.MORPH_CROSS	十字形结构元，对角线元素值为1
cv2.MORPH_ELLIPSE	椭圆形结构元素

ksize：结构元的大小

anchor：结构元的锚点位置，默认值（-1，1），是形状的中心。只有十字星型的形状与锚点位置紧密联系。在其他情况下，锚点位置仅用于形态学运算结果的调整。

下面，我们将这三种形状类型都实现一遍，具体代码如下：

import cv2

img = cv2.imread("open.jpg", cv2.IMREAD_UNCHANGED)
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(50,50))
kernel2 = cv2.getStructuringElement(cv2.MORPH_CROSS,(50,50))
kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(50,50))
result1 = cv2.dilate(img,kernel1)
result2 = cv2.dilate(img,kernel2)
result3 = cv2.dilate(img,kernel3)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，效果如下所示：