数字图像处理与Python实现-课件第六章-图像形态学操作

数字图像处理2022-2023-2课程内容入门认识第7章图像压缩第8章图像分割基本操作应用第9章图像水印第10章指纹识别第11章深度学习综合案例第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用研究对象：图像的形态特征研究方法：用具有一定形态的结构元素去量度和提取对应形状，

实现对图像的分析和识别。效果评价：特殊的数字图像处理方法和理论。

理论虽然较为复杂，但基本思想却简单而完美。6.1概述图像形态学方法与其他空域或频域方法相比，具有明显优势：基于数学形态学的边缘信息提取处理优于基于微分运算的边缘提取算法；它不像微分算法对噪声那样敏感，提取的边缘比较光滑；利用数学形态学方法提取的图像骨架也比较连续，断点少等。

6.1.1图像形态学基础1.集合与元素6.1.1图像形态学基础2.击中与击不中6.1.1图像形态学基础3.平移和对称B的对称集：B中元素(x,y)的对称点(-x,-y)构成的集合6.1.1图像形态学基础4.结构元素（收集图像信息的探针）使用说明：cv2.getStructuringElement（结构元素类型，原点坐标）参数说明：结构元素形状：方形：MORPH_RECT；十字形：MORPH_CROSS；圆形：MORPH_ELLIPSE第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用基本运算：膨胀、腐蚀、开与闭运算基于基本运算推导和组合成各种图像形态学运算方法。6.2

二值图像中基本形态学处理Python习惯设定前景（物体）是白色，背景为黑色。意义相同的两幅图6.2.1膨胀1.概念

将与前景（物体）边界接触的背景像素点合并到物体中，边界向外扩张。膨胀后，物体目标变大，可以填充图像中的小孔及在图像边缘处的小凹陷部分。膨胀可合并裂缝、填补或缩小内部空洞。6.2.1膨胀2.膨胀过程6.2.1膨胀3.Python实现膨胀使用格式：cv2.dilate（图像，结构元素类型，迭代次数）参数说明：输入图像：输入图像数据，imread()返回图像数据结构元素类型：矩形：MORPH_RECT；十字形：MORPH_CROSS；椭圆形：MORPH_ELLIPSE。膨胀次数：默认值为1矩形结构元素：使轮廓的水平或垂直拐点处膨胀后依然整齐、垂直；椭圆结构元素：使轮廓的拐点处具有平滑和圆润的弧线，更好地保持原始轮廓曲线；十字结构元素倾向于使轮廓的拐点处具有十字结构形状的锯齿形状。因此，膨胀之后的图像拐点处的轮廓形状与结构元素的形状有关。6.2.2腐蚀1.概念所有使B平移x后仍在A中的全体x的集合。即，用B来腐蚀A得到的集合是B完全包括在A中时B的原点位置的集合。膨胀运算的对偶。消除边界点，使边界向内部收缩的过程。本质上使目标区域范围“变小”，目标中的空洞、缝隙将会变大，可能会造成原来连接较窄的部分断开。

6.2.2腐蚀2.腐蚀过程原点6.2.2腐蚀3.Python实现腐蚀使用格式：cv2.erode(输入图像，结构元素类型，迭代次数)参数说明：输入图像：输入图像数据，imread()函数返回值结构元素类型：矩形：MORPH_RECT；

十字形：MORPH_CROSS；

椭圆形：MORPH_ELLIPSE。腐蚀次数：默认为1矩形结构元素，只剩下部分拐点处的散点没有腐蚀掉十字形和椭圆形结构元素：腐蚀后物体的整个轮廓仍较为清晰，

腐蚀能力较弱。结构元素增大，小于结构元素的物体相继消失。选择合适大小和形状的结构元素，可将其用于滤波。利用腐蚀滤波去除噪声点同时，图像中前景物体的形状会发生改变。如果只关心物体的位置或个数，该应用不受影响。/live/cctv13/index.shtml?spm=C28340.P2qo7O8Q1Led.S87602.81&stime=1682139600&etime=1682143200&type=lbacks6.2.3开运算1.概念膨胀：填充图像中比结构元素小的孔洞以及图像边缘处的小凹陷，使图像扩大；腐蚀：消除图像边缘的某些小区域，并将图像缩小。膨胀和腐蚀并非互逆运算，可级联使用。结构元素B对A的开运算：使用相同的结构元素，对图像先腐蚀再膨胀，

记作：A◦B

6.2.3开运算2.开运算过程开运算：图像的轮廓变得光滑，断开狭窄的连接和消除细毛刺。开运算与腐蚀不同：图像大的轮廓并没有整体变小，物体位置也没有发生任何变化6.2.3开运算3.

Python下实现cv2.MORPH_OPEN，morphologyEx(输入图像，开运算，结构元素)，参数说明：输入图像：输入图像数据，imread()返回函数值。img为原始待处理二值图像。开运算：cv2.MORPH_OPEN：开运算(open)，先腐蚀后膨胀的过程。结构元素：十字形、矩形、椭圆形开运算可以用来消除小黑点或比结构元素小的部分，在纤细点处分离物体，平滑较大物体的边界的同时并不明显改变其面积。6.2.4闭运算1.概念闭运算是开运算的对偶运算。结构元素B对A的闭运算：使用相同的结构元素，对图像先膨胀再腐蚀，

记作：A

B。

6.2.4闭运算2.闭运算过程使轮廓变得光滑，但与开运算相反，它通常能够弥合狭窄的间断，填充小的孔洞6.2.4闭运算3.

Python下实现cv.MORPH_CLOSE，morphologyEx(输入图像，闭运算，结构元素)参数说明：输入图像：输入图像数据，imread()返回函数值。img为原始待处理二值图像。闭运算：cv2.MORPH_CLOSE，先膨胀后腐蚀的过程。结构元素：十字形、矩形、椭圆形能够填充图像中的小区域、黑洞或者窄缝，总的位置和形状不变第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用F(x,y)代表输入图像，S(x,y)代表结构元素。F(x,y)和S(x,y)不再只代表形状的集合，是二维函数。(x,y)表示图像中像素点的坐标。二值图像形态学中基本的交运算、并运算：在灰度形态学中分别用最大极值(maximum)和最小极值(minimum)代替。6.3.1灰度膨胀1.概念求邻域内最大值作为输出。用结构元素函数S(x,y)对输入图像F(x,y)进行膨胀运算，表示为(F⊕S)

DF、DS分别为F和S的定义域，

a和b必须在结构元素S的定义域之内，平移参数x-a和y-b要求在F的定义域之内。灰度膨胀运算后，图像函数F(x,y)在其定义域内每一点(x,y)处的取值：

以(x,y)为中心、在结构元素函数S(x,y)规定的局部邻域内元素的最大值。6.3.1灰度膨胀2.实现过程选用二值结构元素，点(x,y)处的灰度膨胀运算简化为：以(x,y)为中心、在结构元素函数S(x,y)规定的邻域内的像素最大值。灰度图像的膨胀运算使一个孤立的高亮噪音扩大化。6.3.1灰度膨胀3.

Python实现使用格式：cv2.dilate（输入图像，结构元素类型，迭代次数）参数说明：输入图像：输入图像数据，imread()返回图像数据；结构元素类型：矩形结构元素；膨胀迭代次数：默认值为1。灰度图像膨胀操作使得：灰度图像被暗区包围的亮区面积变大，较小的暗色区域面积变小。灰度膨胀对灰度变化较大的区域，更明显。6.3.2灰度腐蚀1.概念灰度图像腐蚀是灰度图像膨胀的对偶操作，求出邻域内的最小值作为输出，邻域仍由各种算子模板来定义。DF、DS分别为F和S的定义域，

a和b必须在结构元素S的定义域之内，平移参数a+x和b+y要求在F的定义域之内。灰度膨胀运算后，图像函数F(x,y)在其定义域内每一点(x,y)处的取值为：以(x,y)为中心、在结构元素函数S(x,y)规定的局部邻域内对应像素的最小值。

6.3.2灰度腐蚀2.实现过程6.3.2灰度腐蚀3.Python实现使用格式：cv2.erode(图像，结构类型，迭代次数)参数说明：输入图像：输入图像数据，imread()函数返回值结构类型：方形、圆形、十字形腐蚀次数：默认值为1。腐蚀操作使：原始图灰度像的较小的亮色区域面积会缩小，暗色区域面积会增大。同灰度膨胀相似，灰度腐蚀对图像灰度变化快的区域效果更明显。6.3.3灰度图像开、闭1.概念

6.3.3灰度图像开、闭2.

Python实现cv2.MORPH_OPEN和cv2.MORPH_CLOSE灰度腐蚀：会在去除图像细节的同时使得整体灰度下降，灰度膨胀：会增强图像的整体亮度，灰度开运算：常用于去除那些小于结构元素S的亮区域，而对于较大的亮区域影响不大。灰度闭运算：常用于去除图像中的暗细节部分，而高亮度部分基本不受影响。开闭运算：保证图像的整体灰度基本不变。第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用（边界提取、区域填充）6.4.1边界提取1.轮廓轮廓：对物体形状的有力描述，对图像分析和识别十分有用，图像处理领域经典问题之一。边界提取算法可以有效获得图像中前景物体的边界轮廓。提取边界：最常用的方法是将所有前景物体内部的点删除（即用背景色表示），可采用逐行扫描原图像的方式进行。6.4.1边界提取2.实现过程判断依据：若当前位置为前景点（即黑色点）其8个邻域位置都是黑色，则当前点为内部点，应在目标轮廓中将其删除。过程描述：采用一个3×3的结构元素对原图像腐蚀，使得只有8个邻域都有黑点的内部点被保留。再用原图像减去腐蚀后的图像，即可删除内部点，保留前景物体的边界像素。6.4.1边界提取3.

Python实现r=cv2.erode(img,kernel,iterations=1)e=img-rcv2.imshow('img',img)cv2.imshow('edge',e)6.4.2区域填充1.轮廓区域填充可视为边界提取的反过程，是在边界已知的情况下得到边界包围的整个区域的过程。6.4.2区域填充2.实现过程设二值图像中含有一个目标区域的边界，其值为1，非边界为0，边界点的集合记为集合A，从边界内一点P开始，令X0=P=1，采用如下迭代式进行区域填充。Xk=(Xk-1⨁B)⋂Ack=1,2,3,…上式中，B为对称结构元素，上式迭代至Xk=Xk-1时停止，每一步与A的补集（Ac）的交集把结果限制在感兴趣的区域内；最后，