學習不同的形態學操作，例如腐蝕，膨脹，開運算，閉運算等
  學習的函式有：cv2.erode()， cv2.dilate()， cv2.morphologyEx()等

原理

  形態學操作是根據影象形狀進行的簡單操作,一般情況下對二值化影象進行的操作。需要輸入兩個引數，一個是原始影象，第二個被稱為結構化元素或核，它是用來決定操作的性質的。兩個基本的形態學操作是腐蝕和膨脹。他們的變體構成了開運算，閉運算，梯度等。

1、腐蝕

  就像土壤侵蝕一樣，這個操作會把前景物體的邊界腐蝕掉，卷積核沿著影象滑動，如果與卷積核對應的原影象的所有畫素值都是 1，那麼中心元素就保持原來的畫素值，否則就變為零。根據卷積核的大小靠近前景的所有畫素都會被腐蝕掉（變為 0），所以前景物體會變小，這對於去除白噪聲很有用，也可以用來斷開兩個連在一塊的物體等。
  這裡個例子，使用一個 5x5 的卷積核，其中所有的值都是1。

import cv2
import numpy as np 
from matplotlib import pyplot as plt

img = cv2.imread('image/2.png')
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img, kernel,iterations=1)
plt.subplot(1,2,1),plt.imshow(img),plt.title('Original')
plt.xticks([]),plt.yticks([]) 
plt.subplot(1,2,2),plt.imshow(erosion),plt.title('erosion'
 
)
plt.xticks([]),plt.yticks([])
plt.show()

結果圖：

2、 膨脹

  與腐蝕相反，與卷積核對應的原影象的畫素值中只要有一個是 1，中心元素的畫素值就是 1。所以這個操作會增加影象中的白色區域（前景）。一般在去噪聲時先用腐蝕再用膨脹。因為腐蝕在去掉白噪聲的同時，也會使前景物件變小，所以再對其進行膨脹，這時噪聲已經被去除了，不會再回來了，但是前景還在並會增加。膨脹也可以用來連線兩個分開的物體。

import cv2
import numpy as np 
from matplotlib import pyplot as plt

img = cv2.imread('image/2.png'
 
)
kernel = np.ones((5,5),np.uint8)
dilation = cv2.dilate(img, kernel,iterations=1)
plt.subplot(1,2,1),plt.imshow(img),plt.title('Original')
plt.xticks([]),plt.yticks([]) 
plt.subplot(1,2,2),plt.imshow(dilation),plt.title('dilation')
plt.xticks([]),plt.yticks([])
plt.show()

結果圖：

3 、開運算

  先進行腐蝕再進行膨脹就叫做開運算，被用來去除噪聲。這裡我們用到的函式是 cv2.morphologyEx()。

import cv2
import numpy as np 
from matplotlib import pyplot as plt

img = cv2.imread('image/2.png')
kernel = np.ones((5,5),np.uint8)
for i in range(2000): 
   temp_x = np.random.randint(0,img.shape[0])
   temp_y = np.random.randint(0,img.shape[1])
   img[temp_x][temp_y] = 255
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
plt.subplot(1,2,1),plt.imshow(img),plt.title('Original')
plt.xticks([]),plt.yticks([]) 
plt.subplot(1,2,2),plt.imshow(opening),plt.title('opening')
plt.xticks([]),plt.yticks([])
plt.show()

結果圖：

4、 閉運算

  先膨脹再腐蝕。它經常被用來填充前景物體中的小洞，或者前景物體上的小黑點。

import cv2
import numpy as np 
from matplotlib import pyplot as plt

img = cv2.imread('image/3.png')
kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
plt.subplot(1,2,1),plt.imshow(img),plt.title('Original')
plt.xticks([]),plt.yticks([]) 
plt.subplot(1,2,2),plt.imshow(closing),plt.title('closing')
plt.xticks([]),plt.yticks([])
plt.show()

結果圖：

5 、形態學梯度

  其實就是一幅影象膨脹與腐蝕的差別,結果看上去就像前景物體的輪廓。

import cv2
import numpy as np 
from matplotlib import pyplot as plt

img = cv2.imread('image/2.png')
kernel = np.ones((5,5),np.uint8)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
plt.subplot(1,2,1),plt.imshow(img),plt.title('Original')
plt.xticks([]),plt.yticks([]) 
plt.subplot(1,2,2),plt.imshow(gradient),plt.title('gradient')
plt.xticks([]),plt.yticks([])
plt.show()

結果圖：

6、 禮帽

原始影象與進行開運算之後得到的影象的差。9*9核

import cv2
import numpy as np 
from matplotlib import pyplot as plt

img = cv2.imread('image/2.png')
kernel = np.ones((9,9),np.uint8)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
plt.subplot(1,2,1),plt.imshow(img),plt.title('Original')
plt.xticks([]),plt.yticks([]) 
plt.subplot(1,2,2),plt.imshow(tophat),plt.title('tophat')
plt.xticks([]),plt.yticks([])
plt.show()

結果圖：

7 、黑帽

進行閉運算之後得到的影象與原始影象的差。

import cv2
import numpy as np 
from matplotlib import pyplot as plt

img = cv2.imread('image/2.png')
kernel = np.ones((9,9),np.uint8)
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
plt.subplot(1,2,1),plt.imshow(img),plt.title('Original')
plt.xticks([]),plt.yticks([]) 
plt.subplot(1,2,2),plt.imshow(blackhat),plt.title('blackhat')
plt.xticks([]),plt.yticks([])
plt.show()

結果圖：

8 、形態學操作之間的關係

我們把以上集中形態學操作之間的關係列出來以供大家參考

參考：OpenCV官方教程中文版（For Python）