形态学操作+实例分析（第六天）

形态学概念介绍

形态学现在学完基本的几个了，但我还是不知道什么是形态学！原理其实就是和“卷积”在图像处理中的应用一样，就是一个“内核”遍历图像之后进行处理，内核的不同使得处理得到的图像效果也是不同的。下面介绍几种形态学滤波原理你就懂了：

注->RGB：0-255，0代表黑色，255代表白色

腐蚀：腐蚀的顾名思义就是一个东西变黑变坏变烂了，那么简单的理解就是把大于0的像素都都变得接近0就行了啊！

         那对应的图像处理：

 

膨胀：一个人膨胀了的样子怎样的？变得越来越耀眼、越来越明亮！那么对应的像素就是像素<255的就越来越接近255啊。

        那对应的图像处理：

开运算：从名字记忆是图像打开，既然是打开那就是最后的结果是膨胀-------------------->先腐蚀后膨胀

闭运算：和开运算相对，从名字记忆是图像关闭，既然是打开那就是最后的结果是腐蚀----->先膨胀后腐蚀

形态学梯度：梯度就是一个阶梯的长度，对应于图像那就是像素的差值，膨胀—原图、原图—腐蚀、膨胀—腐蚀、X/Y等方向的

顶帽：不解释了---->原图—开运算

黑帽：------------>原图—闭运算

 

---实例分析---

注意点：形态学滤波一般运用在二值化的图像上，对于那些彩色的图像运用不明显（用过之后很难看），看了很多书本的介绍都是随便找个例子，这是在课程中看到的，感觉按照下面的步骤学习形态学真的很简单而且实用！

例一：腐蚀的作用 

原图如下，去除图片上的小白点。

用内核大小3X3进行的图片：小的白点已经没有了，但是稍微大点的杂点还是没去除！

 这是实用15X15的内核进行的图片：图片的白点完全去除了。

这是不是完成了我们的要求了呢？仔细的看会发现，我们想要的大白色区域变小了，这是什么原因呢？

从我们上面的原理分析可以得知：腐蚀会把目标区域给变小的，请看下面的图片->>>红色区域是内核，

一号区域->黑色

二号区域->白色

三号区域->黑色

二号区域->黑色

五号区域->黑色

所以图片缩小的区域就是内核的大小，每个边都会缩小！

 在想一下，如果我们用膨胀处理经过腐蚀的图片会怎么样？由上面的分析可以很快得到结论，就是恢复我们目标区域的原始尺寸

    看下面的效果图：

 

 代码比较简单，就是几行API，但是如何运用，为什么这么运用，这才是关键：

int main(int argc,char**argv)
{
    Mat input_image = imread("1.jpg");
    if (input_image.data==NULL) {
        return -1; cout << "can't open image.../";
    }
    imshow("Sourse image", input_image);
    Mat output_image;
    Mat kernel = getStructuringElement(MORPH_RECT,Size(15,15));
    erode(input_image,output_image,kernel);
    dilate(output_image, output_image,kernel);
    imshow("Destinate image",output_image);
    waitKey(0);
    return 0;
}

例二：提取行和列

    要求提取其中的行线段-->>

 经过处理的线段图片：

 

这里没给其他的特殊照片，看代码直接改一下就可以了。

注意点: getStructuringElement()获得内核的一些参数->核大小、核形状、核锚点等。其中控制核的大小可以滤波不同的噪点：

我要滤去下面的三个大噪点，保留上面的大白色区域，其实滤波的核定义成红色的大小就可以了，不一定是正方形，矩形就可以了。

int main(int argc,char*=*argv)
 2 {
 3     Mat input_image = imread("1.jpg");
 4     if (input_image.data==NULL) {
 5         return -1; cout << "can't open image.../";
 6     }
 7     imshow("Sourse image", input_image);
 8     Mat output_image;
 9     Mat kernel = getStructuringElement(MORPH_RECT,Size(input_image.cols/30,1));//这个input_image.cols/30，是定义核的长度是图片长度的三十分之一，如果直                     　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 接给定一个数200也可以，但是你不知道200在图像上是多大啊。
10     erode(input_image,output_image,kernel);
11     dilate(output_image, output_image,kernel);
12     imshow("Destinate image",output_image);
13     waitKey(0);
14     return 0;
15 }

 例三：简单的提取字母

       目的是提取图片中的字母

 灰度化：

 阈值化：

 形态学滤波：

取反之后：

int main(int argc,char**argv)
{
    Mat input_image = imread("1.jpg");
    if (input_image.data==NULL) {
        return -1; cout << "can't open image.../";
    }
    imshow("Sourse image", input_image);
    cvtColor(input_image,input_image,CV_RGB2GRAY);
    imshow("Sourse1 image", input_image);
    //adaptiveThreshold(input_image,input_image,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY_INV,171,0);
    threshold(input_image,input_image,15,255,THRESH_BINARY);
    imshow("Sourse2 image", input_image);
    Mat output_image;
    Mat kernel = getStructuringElement(MORPH_RECT,Size(3,3));
     erode(input_image,output_image,kernel);
    dilate(output_image, output_image,kernel);
    imshow("Destinate image",output_image);
    bitwise_not(output_image,output_image);
    imshow("Destinate2 image", output_image);
    Mat my_kernel = (Mat_<uchar>(3, 3) << 0, -1, 0, 5, -1, 0, -1, 0);
    filter2D(output_image,output_image,output_image.depth(),my_kernel);//加强显示
    imshow("Destinate3 image", output_image);
    waitKey(0);
    return 0;
}

 例四：稍微困难的提取字母

                这个图像对我来说有点麻烦的，形态学滤波不行的，而且形态学操作之后留下很多噪点。。。。。

 

形态学操作之后：

 

轮廓检测去除噪点：

霍夫变换去除粗实线：

这个图的小噪点用上面的步骤可以去除，这个就没再继续了

上代码：

Mat input_image = imread("2.jpg");
    if (input_image.data==NULL) {
        return -1; cout << "can't open image.../";
    }
    imshow("Sourse image", input_image);
    cvtColor(input_image,input_image,CV_RGB2GRAY);
    //adaptiveThreshold(input_image,input_image,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY_INV,171,0);
    threshold(input_image,input_image,0,255,THRESH_BINARY|THRESH_OTSU);
    //-----------------------去除细实线------------------------//
    Mat output_image;
    Mat kernel1 = getStructuringElement(MORPH_RECT,Size(3,3));
    morphologyEx(input_image, input_image, MORPH_CLOSE, kernel1);
    bitwise_not(input_image, input_image);
    output_image = input_image.clone();
    imshow("DeleteThick image", input_image);
    //----------------------去除形态学不能去除的噪点----------------------//
    vector<vector<Point> > contours;
    vector<Vec4i> hierarchy;
    findContours(output_image, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);
    Mat contours_image = Mat::zeros(input_image.size(), input_image.type());
    for (size_t i = 0; i < contours.size(); i++)
    {
        double Area = contourArea(contours[i]);
        if (Area > 50) continue;
        drawContours(contours_image, contours, static_cast<int>(i),Scalar(255,255,255),1);
    }
    input_image = input_image - contours_image;
    morphologyEx(input_image, input_image, MORPH_OPEN, kernel1);
    imshow("contours image", input_image);
    //------------------去除粗实线--------------------//
    vector<Vec4i> lines;
    HoughLinesP(input_image,lines,1,CV_PI/180,100,0,200); 
    Mat line_image = Mat::zeros(input_image.size(), input_image.type());
    for (size_t i = 0; i < lines.size(); i++)
    {
        line(line_image, Point(lines[i][0], lines[i][1]),
            Point(lines[i][2], lines[i][3]), Scalar(255, 255, 255), 1, 8);
    }
    bitwise_not(input_image, input_image);
    input_image = line_image + input_image;
    morphologyEx(input_image, input_image, MORPH_CLOSE, kernel1);
    imshow("Last image", input_image);