当前位置：首页 > article >正文

OpenCV_图像膨胀腐蚀与形态学操作及具体应用详解

article 2024/11/15 15:27:10

在本教程中，您将学习如何：

应用两个非常常见的形态运算符：腐蚀和膨胀：
- cv::erode
- cv::dilate

使用OpenCV函数cv :: morphologyEx应用形态转换，如：

开运算
闭运算
形态学梯度
顶帽运算
黑帽运算

形态作业

简而言之：一组基于形状处理图像的操作。形态操作将结构元素应用于输入图像并生成输出图像。
最基本的形态作用是：腐蚀和膨胀。它们有广泛的用途，即：

消除噪音
隔离单个元素并连接图像中的不同元素。
查找图像中的强度凸点或孔

1.腐蚀操作（erode）

腐蚀操作可以将图像中的边缘“腐蚀”掉，使其变得更加平滑。它的原理是使用一个称为结构元素（Structuring Element）的小型矩阵，在图像上滑动并检查像素与结构元素的对应位置是否满足某种条件（通常是“与”操作）。如果像素值全部满足条件，则中心像素值保持不变，否则被腐蚀为0。这一过程可以用来消除小型噪声、分离接触对象、以及缩小物体等。
在 OpenCV 中，腐蚀操作的函数是 erode()。下面是它的语法格式和含义：

函数：

erode( src, dst, kernel);

src：表示输入图像，即待腐蚀的图像，应为灰度图像或者单通道二值图像。

dst：表示输出图像

kernel：表示结构元素，这是我们将用来执行操作的内核。如果我们不指定，
默认是一个简单的3x3矩阵。否则，我们可以指定它的形状。为此，我们需要使用
函数cv :: getStructuringElement：

腐蚀操作的基本思想是，对于给定的结构元素，在图像上滑动并检查像素与结构元素的对应位置是否满足某种条件。如果像素值全部满足条件，则中心像素值保持不变，否则被腐蚀为0。

这个操作是扩张的姊妹。它计算给定内核区域的局部最小值。
当内核在图像上扫描时，我们计算由重叠的最小像素值，并用该最小值替换锚点下的图像像素。BB
对于扩张的例子，我们可以将侵蚀算子应用于原始图像（如上所示）。您可以在下面的结果中看到，图像的明亮区域（背景，显然）变得更薄，而黑暗区域（“写作”）变得更大。

OpenCV侵蚀

以相似的方式，通过对反转的原始图像（具有尺寸的矩形结构元素的两次侵蚀）施加腐蚀操作来产生相应的图像3x3：

OpenCV侵蚀

左图：原图反转，右图：造成腐蚀

代码如下：

void callback_Demo(int, void* userdata) {
	Mat dst;
	Mat image = *((Mat*)userdata);
	int s = element_size * 2 + 1;
	Mat structureElement = getStructuringElement(
        MORPH_RECT, 
        Size(s, s), 
        Point(-1, -1));
	erode(image, dst, structureElement, Point(-1, -1), 1);
	imshow(OUTPUT_WINDOW, dst);
	return;
}

2.膨胀操作（dilate）

膨胀操作是图像形态学处理中的一种基本操作，通常用于增加或扩展图像中的白色区域（前景对象）。它的原理是在图像上滑动一个结构元素（通常是一个小的矩形或圆形内核），将内核下方的像素值替换为内核下方区域内的最大像素值。因此，它会使图像中的白色区域变得更大。膨胀操作常用于填充图像中的空洞、连接相邻的对象以及消除图像中的噪声。

在OpenCV中，膨胀操作可以通过dilate()函数实现。该函数需要传入待处理的图像、结构元素（通常是一个矩形或圆形内核）以及迭代次数作为参数。迭代次数表示膨胀操作的次数，通常设置为1即可。

函数：

dilate( src, dst, kernel);

src：表示输入图像，即待膨胀的图像，应为灰度图像或者单通道二值图像。

dst：表示输出图像

kernel：表示结构元素，这是我们将用来执行操作的内核。如果我们不指定，
默认是一个简单的3x3矩阵。否则，我们可以指定它的形状。为此，我们需要使用
函数cv :: getStructuringElement：

该操作包括将图像与某些内核（B）进行卷积，其可以具有任何形状或尺寸，通常为正方形或圆形。AB
内核具有定义的锚点，通常是内核的中心。B
当内核在图像上扫描时，我们计算由B重叠的最大像素值，并用该最大值替换锚点位置中的图像像素。您可以推断，这种最大化的操作会使图像中的亮区“增长”（因此称为扩张）。以上图为例。应用扩张我们可以得到：BB

OpenCV扩张

背景（明亮）扩大了字母的黑色地区。

为了更好地把握想法并避免可能的混乱，在另一个例子中，我们已经将原始图像倒过来，如白色的对象现在是这个字母。我们已经执行了两个具有大小的矩形结构元素的扩张3x3。

OpenCV扩张

左图：原图反转，右图：产生扩张

代码如下：

void callback_Demo(int, void* userdata) {
	Mat dst;
	Mat image = *((Mat*)userdata);
	int s = element_size * 2 + 1;
	Mat structureElement = getStructuringElement(MORPH_RECT, Size(s, s), Point(-1, -1));	
	dilate(image,dst,structureElement,Point(-1,-1),1);	
	imshow(OUTPUT_WINDOW, dst);
	return;
}

全部代码如下：

char OUTPUT_WINDOW[] = "output image";
int element_size = 3;
int max_size = 21;
void callback_Demo(int, void* userdata);
void callback_Demo(int, void* userdata) {
	Mat dst;
	Mat image = *((Mat*)userdata);
	int s = element_size * 2 + 1;
	Mat structureElement = getStructuringElement(MORPH_RECT, Size(s, s), Point(-1, -1));	
	dilate(image,dst,structureElement,Point(-1,-1),1);
	//erode(image, dst, structureElement, Point(-1, -1), 1);	
	//threshold(image,dst, element_size, max_size, THRESH_OTSU);
	imshow(OUTPUT_WINDOW, dst);
	return;
}
void QuickDemo::eleven(Mat& image) {
	Mat gray;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	namedWindow(OUTPUT_WINDOW, WINDOW_AUTOSIZE);
	createTrackbar("element size :", OUTPUT_WINDOW, &element_size, max_size, callback_Demo, &image);
	callback_Demo(10, &image);
}

在前面的教程中，我们介绍了两种基本的形态学操作：

腐蚀
膨胀

基于这两个，我们可以对我们的图像进行更复杂的转换。在这里，我们简要讨论OpenCV提供的5个操作：

3.开运算—先腐蚀后膨胀

开运算是先进行腐蚀操作，再进行膨胀操作。它主要用于去除小的噪点，并保持前景物体的整体形状。

函数：

morphologyEx(mask_image, opening_image, MORPH_OPEN, element);

示例代码：

void QuickDemo::twelve(Mat& image) {
	Mat dst;
	Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5), Point(-1, -1));
	morphologyEx(image, dst, MORPH_OPEN, kernel);
	namedWindow("形态学操作", WINDOW_AUTOSIZE);
	imshow("形态学操作", dst);
}

开运算效果：对比腐蚀过后的图像，进行稍微膨胀补充连接细节

4.闭运算—先膨胀后腐蚀

闭运算与开运算相反，先膨胀后腐蚀，它主要用于填补前景物体中的小孔和连接断开的物体。

void QuickDemo::twelve(Mat& image) {
	Mat dst;
	Mat kernel = getStructuringElement(MORPH_RECT, Size(10, 10), Point(-1, -1));
	morphologyEx(image, dst, MORPH_CLOSE, kernel);
	namedWindow("形态学操作", WINDOW_AUTOSIZE);
	imshow("形态学操作", dst);
}

闭运算效果：对比膨胀后的图像，边缘稍微细了些

5.形态学梯度（膨胀-腐蚀）

形态学梯度运算是用图像的膨胀图像减腐蚀图像的操作，该操作可以获取原始图像中前景图像的边缘。

这是图像的扩张和侵蚀的区别。

找到对象的轮廓是有用的，如下所示：

OpenCV更多形态转化

代码如下：

void QuickDemo::twelve(Mat& image) {
	Mat dst;
	Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5), Point(-1, -1));
	morphologyEx(image, dst, MORPH_GRADIENT, kernel);
	namedWindow("形态学操作", WINDOW_AUTOSIZE);
	imshow("形态学操作", dst);
}

6. 顶帽运算（src-开运算）

顶帽运算是用原始图像减去其开运算图像的操作。顶帽运算能够获取图像的噪声信息，或者得到比原始图像的边缘更亮的边缘信息。

代码如下：

void QuickDemo::twelve(Mat& image) {
	Mat dst;
	Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5), Point(-1, -1));
	morphologyEx(image, dst, MORPH_TOPHAT, kernel);
	namedWindow("形态学操作", WINDOW_AUTOSIZE);
	imshow("形态学操作", dst);
}

7.黑帽运算（闭运算-src）

黑帽运算是用闭运算图像减去原始图像的操作。黑帽运算能够获取图像内部的小孔，或前景色中的小黑点，或者得到比原始图像的边缘更暗的边缘部分。

void QuickDemo::twelve(Mat& image) {
	Mat dst;
	Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5), Point(-1, -1));
	morphologyEx(image, dst, MORPH_BLACKHAT, kernel);
	namedWindow("形态学操作", WINDOW_AUTOSIZE);
	imshow("形态学操作", dst);
}