OpenCV-Python 形态学处理
通过阈值化分割可以得到二值图像，但往往会出现图像中物体形态不完整，残缺，可以通过形态学（morphology）处理，使其变得丰满，或者去除掉多余的像素。常用的形态学处理算法包括：腐蚀（erode）、膨胀（dilate）、开运算(Open)、闭运算(Close)、形态学梯度、顶帽运算（tophat）和底帽运算（blackhat）。
1. 腐蚀
腐蚀操作类似于中值平滑，也有一个核，但不进行卷积运算，而是取核中像素值的最小值代替锚点位置的像素值，这样就会使图像中较按的区域面积增大，较量的区域面积减小。如果是一张黑底，白色前景的二值图，就会使白色的前景物体颜色变小，就像被腐蚀了一样。
锚点即卷积核平移过程中原始图片正在计算的点。
进行腐蚀操作的核，不仅可以是矩形，还可以是十字形和椭圆形，opencv提供getStructuringElement()函数来获得核，其参数如下：
1 kernel=cv2.getStructuringElement(shape,ksize,anchor) 2 shape:核的形状 3 cv2.MORPH_RECT: 矩形 4 cv2.MORPH_CROSS: 十字形(以矩形的锚点为中心的十字架) 5 cv2.MORPH_ELLIPSE:椭圆(矩形的内切椭圆） 6 7 ksize: 核的大小，矩形的宽，高格式为(width,height) 8 anchor: 核的锚点，默认值为(-1,-1),即核的中心点
opencv提供erode()函数进行腐蚀操作，其对应参数如下：
1 dst=cv2.erode(src,kernel,anchor,iterations,borderType,borderValue): 2 src: 输入图像对象矩阵,为二值化图像 3 kernel:进行腐蚀操作的核，可以通过函数getStructuringElement()获得 4 anchor:锚点，默认为(-1,-1) 5 iterations:腐蚀操作的次数，默认为1 6 borderType: 边界种类，有默认值 7 borderValue:边界值，有默认值
腐蚀操作的代码和效果如下：
可以看到二值化图像中白色的opencv字体面积变小了，就像被腐蚀了。注意这是黑底白字，如果是白底黑字，效果会相反，字体反而会膨胀。
1 #coding:utf-8 2 3 4 import cv2 as cv 5 6 img = cv.imread(r"logo.png") 7 img_cvt = cv.cvtColor(img,cv.COLOR_BGR2GRAY) 8 ret,img_thr = cv.threshold(img_cvt,200,255,cv.THRESH_BINARY_INV) 9 kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,5)) 10 dst = cv.erode(img_thr,kernel,iterations=1) 11 12 cv.imshow("img",img) 13 cv.imshow("img_thr",img_thr) 14 cv.imshow("dst",dst) 15 cv.waitKey(0) 16 cv.destroyAllWindows() 17 18 cv2.erode()
2. 膨胀
膨胀操作刚好跟腐蚀操作相反，也是有一个核，取核中像素值最大的点代替锚点位置的像素值，这样会使图像中较亮的区域增大，较暗的区域减小。如果是一张黑底，白色前景的二值图像，就会是白色的前景物体颜色面积变大，就像膨胀了一样。
opencv提供dilate()函数进行膨胀操作，其对应参数如下：
1 dst = cv2.dilate(src,kernel,anchor,iterations,borderType,borderValue) 2 src: 输入图像对象矩阵,为二值化图像 3 kernel:进行腐蚀操作的核，可以通过函数getStructuringElement()获得 4 anchor:锚点，默认为(-1,-1) 5 iterations:腐蚀操作的次数，默认为1 6 borderType: 边界种类 7 borderValue:边界值
膨胀操作的代码和效果如下：
可以看到二值化图像中白色的opencv字体面积变大了，就像膨胀了
1 #coding:utf-8 2 3 4 import cv2 as cv 5 6 7 img = cv.imread(r"C:\Users\Administrator\Desktop\logo.png") 8 img_cvt = cv.cvtColor(img,cv.COLOR_BGR2GRAY) 9 ret,img_thr = cv.threshold(img_cvt,200,255,cv.THRESH_BINARY_INV) 10 kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,5)) 11 dst = cv.dilate(img_thr,kernel,iterations=1) 12 13 cv.imshow("img",img) 14 cv.imshow("img_thr",img_thr) 15 cv.imshow("dst",dst) 16 cv.waitKey(0) 17 cv.destroyAllWindows() 18 19 cv2.dilate()
3. 开运算、闭运算、顶帽、底帽
开运算(OPEN)： 先进行腐蚀操作，后进行膨胀操作。主要是用来去除一些较亮的部分，即先腐蚀掉不要的部分，再进行膨胀。
闭运算(CLOSE)： 先进行膨胀操作，后进行腐蚀操作。主要是用来去除掉一些较暗的部分。
形态学梯度(GRADIENT)： 膨胀运算结果减去腐蚀运算结果，可以拿到轮廓信息。
顶帽运算(TOPHAT)：原图像减去开运算结果, 可以得到噪声。
黑帽运算(BLACKHAT)：闭运算结果减去原图像（注意顺序别搞反了），可以得到原始图中的小黑点。
进行开运算，闭运算，顶帽运算，底帽运算，形态学梯度，opencv提供了一个统一的函数cv2.morphologyEx()，其对应参数如下：
dst = cv2.morphologyEx(src,op,kernel,anchor,iterations,borderType,borderValue) src: 输入图像对象矩阵,为二值化图像 op: 形态学操作类型 cv2.MORPH_OPEN 开运算 cv2.MORPH_CLOSE 闭运算 cv2.MORPH_GRADIENT 形态梯度 cv2.MORPH_TOPHAT 顶帽运算 cv2.MORPH_BLACKHAT 底帽运算 kernel:进行腐蚀操作的核，可以通过函数getStructuringElement()获得 anchor:锚点，默认为(-1,-1) iterations:腐蚀操作的次数，默认为1 borderType: 边界种类 borderValue:边界值
使用代码和对应效果如下：
#coding:utf-8 import cv2 as cv import matplotlib.pyplot as plt img = cv.imread(r"C:\Users\Administrator\Desktop\logo.png") img_cvt = cv.cvtColor(img,cv.COLOR_BGR2GRAY) ret,img_thr = cv.threshold(img_cvt,200,255,cv.THRESH_BINARY_INV) kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,5)) open = cv.morphologyEx(img_thr,cv.MORPH_OPEN,kernel,iterations=1) close = cv.morphologyEx(img_thr,cv.MORPH_CLOSE,kernel,iterations=1) gradient = cv.morphologyEx(img_thr,cv.MORPH_GRADIENT,kernel,iterations=1) tophat = cv.morphologyEx(img_thr,cv.MORPH_TOPHAT,kernel,iterations=1) blackhat = cv.morphologyEx(img_thr,cv.MORPH_BLACKHAT,kernel,iterations=1) images=[img_thr,open,close,gradient,tophat,blackhat] titles=["img_thr","open","close","gradient","tophat","blackhat"] for i in range(6): plt.subplot(2,3,i+1),plt.imshow(images[i],"gray") plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show() cv2.morphologyEx()
