提示：
轉(zhuǎn)載請詳細注明原作者及出處，謝謝！
本文介紹使用OpenCV-Python進行形態(tài)學處理
本文不介紹形態(tài)學處理的基本概念，所以讀者需要預先對其有一定的了解。
定義結構元素
形態(tài)學處理的核心就是定義結構元素，在OpenCV-Python中，可以使用其自帶的getStructuringElement函數(shù)，也可以直接使用NumPy的ndarray來定義一個結構元素。首先來看用getStructuringElement函數(shù)定義一個結構元素：
[python] view plaincopyprint?
element?=?cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))??
element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))這就定義了一個5×5的十字形結構元素，如下：
也可以用NumPy來定義結構元素，如下：
[python] view plaincopyprint?
NpKernel?=?np.uint8(np.zeros((5,5)))??for?i?in?range(5):??????NpKernel[1,?i]?=?1??????NpKernel[i,?1]?=?1??
NpKernel = np.uint8(np.zeros((5,5)))
for i in range(5):NpKernel[1, i] = 1NpKernel[i, 1] = 1這兩者方式定義的結構元素完全一樣：
[python] view plaincopyprint?
[[0?0?1?0?0]???[0?0?1?0?0]???[1?1?1?1?1]???[0?0?1?0?0]???[0?0?1?0?0]]??
[[0 0 1 0 0][0 0 1 0 0][1 1 1 1 1][0 0 1 0 0][0 0 1 0 0]]
這里可以看出，用OpenCV-Python內(nèi)置的常量定義橢圓（MORPH_ELLIPSE）和十字形結構（MORPH_CROSS）元素要簡單一些，如果定義矩形（MORPH_RECT）和自定義結構元素，則兩者差不多。
本篇文章將用參考資料1中的相關章節(jié)的圖片做測試：
腐蝕和膨脹
下面先以腐蝕圖像為例子介紹如何使用結構元素：
[python] view plaincopyprint?
??import?cv2??import?numpy?as?np?????img?=?cv2.imread('D:/binary.bmp',0)????kernel?=?cv2.getStructuringElement(cv2.MORPH_RECT,(3,?3))??????eroded?=?cv2.erode(img,kernel)????cv2.imshow("Eroded?Image",eroded);??????dilated?=?cv2.dilate(img,kernel)????cv2.imshow("Dilated?Image",dilated);????cv2.imshow("Origin",?img)??????NpKernel?=?np.uint8(np.ones((3,3)))??Nperoded?=?cv2.erode(img,NpKernel)????cv2.imshow("Eroded?by?NumPy?kernel",Nperoded);????cv2.waitKey(0)??cv2.destroyAllWindows()??
#coding=utf-8
import cv2
import numpy as npimg = cv2.imread('D:/binary.bmp',0)
#OpenCV定義的結構元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))#腐蝕圖像
eroded = cv2.erode(img,kernel)
#顯示腐蝕后的圖像
cv2.imshow("Eroded Image",eroded);#膨脹圖像
dilated = cv2.dilate(img,kernel)
#顯示膨脹后的圖像
cv2.imshow("Dilated Image",dilated);
#原圖像
cv2.imshow("Origin", img)#NumPy定義的結構元素
NpKernel = np.uint8(np.ones((3,3)))
Nperoded = cv2.erode(img,NpKernel)
#顯示腐蝕后的圖像
cv2.imshow("Eroded by NumPy kernel",Nperoded);cv2.waitKey(0)
cv2.destroyAllWindows()
如上所示，腐蝕和膨脹的處理很簡單，只需設置好結構元素，然后分別調(diào)用cv2.erode(...)和cv2.dilate(...)函數(shù)即可，其中第一個參數(shù)是需要處理的圖像，第二個是結構元素。返回處理好的圖像。
結果如下：
開運算和閉運算
了解形態(tài)學基本處理的同學都知道，開運算和閉運算就是將腐蝕和膨脹按照一定的次序進行處理。但這兩者并不是可逆的，即先開后閉并不能得到原先的圖像。代碼示例如下：
[python] view plaincopyprint?
??import?cv2??import?numpy?as?np?????img?=?cv2.imread('D:/binary.bmp',0)????kernel?=?cv2.getStructuringElement(cv2.MORPH_RECT,(5,?5))??????closed?=?cv2.morphologyEx(img,?cv2.MORPH_CLOSE,?kernel)????cv2.imshow("Close",closed);??????opened?=?cv2.morphologyEx(img,?cv2.MORPH_OPEN,?kernel)????cv2.imshow("Open",?opened);????cv2.waitKey(0)??cv2.destroyAllWindows()??
#coding=utf-8
import cv2
import numpy as npimg = cv2.imread('D:/binary.bmp',0)
#定義結構元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5))#閉運算
closed = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
#顯示腐蝕后的圖像
cv2.imshow("Close",closed);#開運算
opened = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
#顯示腐蝕后的圖像
cv2.imshow("Open", opened);cv2.waitKey(0)
cv2.destroyAllWindows()
閉運算用來連接被誤分為許多小塊的對象，而開運算用于移除由圖像噪音形成的斑點。因此，某些情況下可以連續(xù)運用這兩種運算。如對一副二值圖連續(xù)使用閉運算和開運算，將獲得圖像中的主要對象。同樣，如果想消除圖像中的噪聲（即圖像中的“小點”），也可以對圖像先用開運算后用閉運算，不過這樣也會消除一些破碎的對象。
對原始圖像進行開運算和閉運算的結果如下：
用形態(tài)學運算檢測邊和角點
這里通過一個較復雜的例子介紹如何用形態(tài)學算子檢測圖像中的邊緣和拐角（這里只是作為介紹形態(tài)學處理例子，實際使用時請用Canny或Harris等算法）。
檢測邊緣
形態(tài)學檢測邊緣的原理很簡單，在膨脹時，圖像中的物體會想周圍“擴張”；腐蝕時，圖像中的物體會“收縮”。比較這兩幅圖像，由于其變化的區(qū)域只發(fā)生在邊緣。所以這時將兩幅圖像相減，得到的就是圖像中物體的邊緣。這里用的依然是參考資料1中相關章節(jié)的圖片：
代碼如下：
[python] view plaincopyprint?
??import?cv2??import?numpy????image?=?cv2.imread("D:/building.jpg",0);????element?=?cv2.getStructuringElement(cv2.MORPH_RECT,(3,?3))??dilate?=?cv2.dilate(image,?element)??erode?=?cv2.erode(image,?element)??????result?=?cv2.absdiff(dilate,erode);??????retval,?result?=?cv2.threshold(result,?40,?255,?cv2.THRESH_BINARY);?????result?=?cv2.bitwise_not(result);?????cv2.imshow("result",result);???cv2.waitKey(0)??cv2.destroyAllWindows()??
#coding=utf-8
import cv2
import numpyimage = cv2.imread("D:/building.jpg",0);
#構造一個3×3的結構元素
element = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))
dilate = cv2.dilate(image, element)
erode = cv2.erode(image, element)#將兩幅圖像相減獲得邊，第一個參數(shù)是膨脹后的圖像，第二個參數(shù)是腐蝕后的圖像
result = cv2.absdiff(dilate,erode);#上面得到的結果是灰度圖，將其二值化以便更清楚的觀察結果
retval, result = cv2.threshold(result, 40, 255, cv2.THRESH_BINARY);
#反色，即對二值圖每個像素取反
result = cv2.bitwise_not(result);
#顯示圖像
cv2.imshow("result",result);
cv2.waitKey(0)
cv2.destroyAllWindows()處理結果如下：
檢測拐角
與邊緣檢測不同，拐角的檢測的過程稍稍有些復雜。但原理相同，所不同的是先用十字形的結構元素膨脹像素，這種情況下只會在邊緣處“擴張”，角點不發(fā)生變化。接著用菱形的結構元素腐蝕原圖像，導致只有在拐角處才會“收縮”，而直線邊緣都未發(fā)生變化。
第二步是用X形膨脹原圖像，角點膨脹的比邊要多。這樣第二次用方塊腐蝕時，角點恢復原狀，而邊要腐蝕的更多。所以當兩幅圖像相減時，只保留了拐角處。示意圖如下（示意圖來自參考資料1）：
代碼如下：
[python] view plaincopyprint?
??import?cv2????image?=?cv2.imread("D:/building.jpg",?0)??origin?=?cv2.imread("D:/building.jpg")????cross?=?cv2.getStructuringElement(cv2.MORPH_CROSS,(5,?5))????diamond?=?cv2.getStructuringElement(cv2.MORPH_RECT,(5,?5))??diamond[0,?0]?=?0??diamond[0,?1]?=?0??diamond[1,?0]?=?0??diamond[4,?4]?=?0??diamond[4,?3]?=?0??diamond[3,?4]?=?0??diamond[4,?0]?=?0??diamond[4,?1]?=?0??diamond[3,?0]?=?0??diamond[0,?3]?=?0??diamond[0,?4]?=?0??diamond[1,?4]?=?0??square?=?cv2.getStructuringElement(cv2.MORPH_RECT,(5,?5))??x?=?cv2.getStructuringElement(cv2.MORPH_CROSS,(5,?5))????result1?=?cv2.dilate(image,cross)????result1?=?cv2.erode(result1,?diamond)??????result2?=?cv2.dilate(image,?x)????result2?=?cv2.erode(result2,square)????????result?=?cv2.absdiff(result2,?result1)????retval,?result?=?cv2.threshold(result,?40,?255,?cv2.THRESH_BINARY)??????for?j?in?range(result.size):??????y?=?j?/?result.shape[0]???????x?=?j?%?result.shape[0]?????????if?result[x,?y]?==?255:??????????cv2.circle(image,?(y,?x),?5,?(255,0,0))????cv2.imshow("Result",?image)??cv2.waitKey(0)??cv2.destroyAllWindows()??
#coding=utf-8
import cv2image = cv2.imread("D:/building.jpg", 0)
origin = cv2.imread("D:/building.jpg")
#構造5×5的結構元素，分別為十字形、菱形、方形和X型
cross = cv2.getStructuringElement(cv2.MORPH_CROSS,(5, 5))
#菱形結構元素的定義稍麻煩一些
diamond = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5))
diamond[0, 0] = 0
diamond[0, 1] = 0
diamond[1, 0] = 0
diamond[4, 4] = 0
diamond[4, 3] = 0
diamond[3, 4] = 0
diamond[4, 0] = 0
diamond[4, 1] = 0
diamond[3, 0] = 0
diamond[0, 3] = 0
diamond[0, 4] = 0
diamond[1, 4] = 0
square = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5))
x = cv2.getStructuringElement(cv2.MORPH_CROSS,(5, 5))
#使用cross膨脹圖像
result1 = cv2.dilate(image,cross)
#使用菱形腐蝕圖像
result1 = cv2.erode(result1, diamond)#使用X膨脹原圖像
result2 = cv2.dilate(image, x)
#使用方形腐蝕圖像
result2 = cv2.erode(result2,square)#result = result1.copy()
#將兩幅閉運算的圖像相減獲得角
result = cv2.absdiff(result2, result1)
#使用閾值獲得二值圖
retval, result = cv2.threshold(result, 40, 255, cv2.THRESH_BINARY)#在原圖上用半徑為5的圓圈將點標出。
for j in range(result.size):y = j / result.shape[0] x = j % result.shape[0] if result[x, y] == 255:cv2.circle(image, (y, x), 5, (255,0,0))cv2.imshow("Result", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
注意，由于封裝的緣故，OpenCV中函數(shù)參數(shù)中使用的坐標系和NumPy的ndarray的坐標系是不同的，在50行可以看出來。抽空我向OpenCV郵件列表提一下，看我的理解是不是正確的。
大家可以驗證一下，比如在代碼中插入這兩行代碼，就能知道結果了：
[python] view plaincopyprint?
cv2.circle(image,?(5,?10),?5,?(255,0,0))??image[5,?10]?=?0??
cv2.circle(image, (5, 10), 5, (255,0,0))
image[5, 10] = 0通過上面的代碼就能檢測到圖像中的拐角并標出來，效果圖如下：
當然，這只是個形態(tài)學處理示例，檢測結果并不好。
未完待續(xù)...
在將來的某一篇文章中將做個總結，介紹下OpenCV中常用的函數(shù)，如threshold、bitwise_xxx，以及繪制函數(shù)等。
參考資料：
1、《Opencv2 Computer Vision Application Programming Cookbook》
2、《OpenCV References Manule》
如果覺得本文寫的還可以的話，請輕點“頂”，方便讀者、以及您的支持是我寫下去的最大的兩個動力。
總結
以上是生活随笔為你收集整理的本文介绍使用OpenCV-Python进行形态学处理的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。
