| 類型 | 說明 | 意義 | 操作 |
|---|---|---|---|
| cv2.MORPH_ERODE | 腐蝕 | 腐蝕 | erode() |
| cv2.MORPH_DILATE | 膨脹 | 膨脹 | dilate() |
| cv2.MORPH_OPEN | 開運算 | 先腐蝕后膨脹 | dilate(erode()) |
| cv2.MORPH_CLOSE | 閉運算 | 先膨脹后腐蝕 | erode(dilate()) |
| cv2.MORPH_GRADIENT | 形態(tài)學梯度運算 | 膨脹圖減腐蝕圖 | dilate()-erode() |
| cv2.MORPH_TOPHAT | 頂帽運算 | 原始圖像減開運算所得圖像 | src-open() |
| cv2.MORPH_BLACKHAT | 黑帽運算 | 閉運算所得圖像減原始圖像 | close()-src |
| cv2.MORPH_HITMISS | 擊中擊不中 | 前景背景腐蝕運算的交集。僅僅支持CV8UC1二進制圖像 | intersection(erode(src),erode(src1)) |
如上表所示，開運算是將原圖像腐蝕，再對其進行膨脹操作。主要用于去噪，計數(shù)等。去噪我們已經通過上面的腐蝕操作就可以完成，下面我們來實現(xiàn)有趣的計數(shù)操作。
import cv2
import numpy as np
img = cv2.imread("open.jpg",cv2.IMREAD_UNCHANGED)
kernel = np.ones((9,9), np.float32)
result = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel,iterations=5)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
運行之后，我們能將不同區(qū)域劃分開來，效果如下：
閉運算是先膨脹后腐蝕的運算，它有助于關閉前景物體內部的小孔，或去除物體上的小黑點，還可以將不同的前景圖像進行連接。下面，我們就將上圖進行連接。
import cv2
import numpy as np
img = cv2.imread("close.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((10, 10), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=7)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
運行之后，兩個方塊就連接為一個整體了，效果如下所示：
形態(tài)學梯度運算是用圖像膨脹后的圖像減去腐蝕圖像的運算，該操作可以獲取原始圖像中的前景圖像的邊緣。我們還是用上篇膨脹的圖來測試，代碼如下：
import cv2
import numpy as np
img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
運行之后，我們的圖像就中空了，效果如下：
頂帽運算是用原始圖像減去其開運算圖像的操作。它能夠獲取圖像的噪聲信息，或者得到比原圖像的邊緣更亮的邊緣信息。也就是獲取上圖中的白色線條，具體代碼如下：
import cv2
import numpy as np
img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
運行之后，效果如下：
黑帽運算是用閉運算圖像減去原始圖像的操作。它能夠獲取內部的小孔，或前景色中的小黑點，亦或者得到比原始圖像的邊緣更暗的邊緣部分。這里，我們用前面的人物圖像，代碼如下：
import cv2
import numpy as np
img = cv2.imread("4.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
運行之后，效果如下：
前面我們介紹過，結構元可以自定義，也可以通過cv2.getStructuringElement()函數(shù)生成。這里，我們來看看其完整的定義：
def getStructuringElement(shape, ksize, anchor=None):
shape：形狀類型，取值如下表：
| 類型 | 意義 |
|---|---|
| cv2.MORPH_RECT | 矩形結構元，所有元素值為1 |
| cv2.MORPH_CROSS | 十字形結構元，對角線元素值為1 |
| cv2.MORPH_ELLIPSE | 橢圓形結構元素 |
ksize：結構元的大小
anchor：結構元的錨點位置，默認值（-1，1），是形狀的中心。只有十字星型的形狀與錨點位置緊密聯(lián)系。在其他情況下，錨點位置僅用于形態(tài)學運算結果的調整。
下面，我們將這三種形狀類型都實現(xiàn)一遍，具體代碼如下：
import cv2
img = cv2.imread("open.jpg", cv2.IMREAD_UNCHANGED)
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(50,50))
kernel2 = cv2.getStructuringElement(cv2.MORPH_CROSS,(50,50))
kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(50,50))
result1 = cv2.dilate(img,kernel1)
result2 = cv2.dilate(img,kernel2)
result3 = cv2.dilate(img,kernel3)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()
運行之后，效果如下所示：
到此這篇關于OpenCV-Python實現(xiàn)通用形態(tài)學函數(shù)的文章就介紹到這了,更多相關OpenCV 通用形態(tài)學函數(shù)內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
