数字图像处理与深度学习技术应用 课件 第8章 图像形态学处理

第8章图像形态学处理目录8.1概述8.2图像腐蚀8.2.1水平腐蚀8.2.2垂直腐蚀8.2.3全方向腐蚀8.3图像膨胀8.3.1水平膨胀8.3.2垂直膨胀8.3.3全方向膨胀8.4图像开运算与闭运算8.4.1图像开运算8.4.2图像闭运算8.5形态学梯度运算8.6黑帽与礼帽运算8.7图像细化8.1概述概述数学形态学以图像的形态特征为研究对象，描述图像的基本特征和基本结构，也就是描述图像中元素与元素、部分与部分间的关系。通常形态学图像处理表现为一种邻域运算形式，采用邻域结构元素的方法，在每个像素位置上邻域结构元素与二值图像对应的区域进行特定的逻辑运算，逻辑运算的结果为输出图像的相应像素。数学形态学基本运算有七种：腐蚀、膨胀、开运算、闭运算、击中、细化和粗化，它们是全部形态学的基础。8.2图像腐蚀理论基础腐蚀作用是消除物体边界点，是使边界向内部收缩的过程，可以把小于结构元素的物体去除。如两个物体间有细小的连通，通过腐蚀可将两个物体分开。腐蚀的数学表达式是：

图8-1XB示意图8.2.1水平腐蚀理论基础水平腐蚀的原理同上面介绍的相同，只是使用的结构元素不同，水平腐蚀所用的结构元素[000]如图8-3所示：

图8-3结构元素[000]示意图图8-3结构元素[000]示意图函数说明（1）retval=cv2.getStructuringElement(shape,ksize,anchor=None)retval：返回构造的特定结构；shape：代表形状类型，其中类型有以下三种：

cv2.MORPH_RECT，矩形结构元素，所有元素值都是1；

cv2.MORPH_CROSS，十字形结构元素，对角线元素值都是1；

cv2.MORPH_ELLIPSE，椭圆形结构元素；ksize：代表形状元素的大小，写法为元组(width,height)；anchor：坐标(x,y)，元素内的锚定位置。默认值为(-1,-1)即结构化元素的中心。函数说明（2）retval=cv2.erode(src,k[,anchor[,iterations[,boderType[,boderValue]]]])retval：表示返回的腐蚀处理结果；src：表示原始图像，即需要被腐蚀的图像；k：表示腐蚀操作时所要采取的结构类型；anchor：表示锚点的位置，默认为（-1,-1），表示在结构元素的中心；iterations：表示腐蚀擦操作的迭代次数；boderType：表示边界样式，一般默认使用BORDER_CONSTANT；boderValue：表示边界值，一般使用默认值。效果展示8.2.2垂直腐蚀理论基础垂直腐蚀所用的结构元素为。

图8-5结构元素示意图效果展示8.2.3全方向腐蚀理论基础全方向腐蚀所用的结构元素如图8-7所示。

图8-7全方向腐蚀结构元素示意图效果展示8.3图像膨胀理论基础膨胀与腐蚀的作用正好相反，它是对二值化物体边界点进行扩充，如果两个物体之间的距离比较近，可能会把两个物体连通到一起，对填补空洞很有用。膨胀的数学表达式是：

理论基础8.3.1水平膨胀理论基础水平膨胀所用的结构元素如图8-11所示

图8-11水平膨胀结构元素示意图实现步骤（1）retval=cv2.dilate(src,k[,anchor[,iterations[,boderType[,boderValue]]]])retval：表示返回的膨胀处理结果；src：表示原始图像，即需要被膨胀的图像；k：表示膨胀操作时所要采取的结构类型；anchor：表示锚点的位置，默认为（-1,-1），表示在结构元素的中心；iterations：表示膨胀操作的迭代次数；boderType：表示边界样式，一般默认使用BORDER_CONSTANT；boderValue：表示边界值，一般使用默认值。效果展示

图8-12水平膨胀处理效果图8.3.2垂直膨胀理论基础垂直膨胀所用的结构元素如图8-13所示.图8-13垂直膨胀结构元素示意图效果展示8.3.3全方向膨胀理论基础全方向膨胀所用的结构元素如图8-15所示效果展示图8-16全方位膨胀处理效果图8.4图像开运算与闭运算8.4.1图像开运算理论基础开运算先腐蚀后膨胀。原始图像经过开运算后，能够去除孤立的小点、毛刺和小桥（即连通两块区域的小点），平滑较大物体的边界，同时并不明显改变其面积。开运算的数学表达式是：

函数说明retval=cv2.morphologyEx(src,op,k[,anchor[,iterations[,boderType[,boderValue]]]])retval：表示返回运算的结果；src：表示原始图像；op：表示操作类型，当设置为cv2.MORPH_GRADIENT时，表示对图像进行梯度运算，当设置为cv2.MORPH_OPEN和cv2.MORPH_CLOSE时，可以对图像实现开运算与闭运算的操作；参数k、anchor、iterations、boderType和boderValue与cv2.dilate()函数的参数用法一致。效果展示图8-18开运算处理效果图8.4.2图像闭运算理论基础闭运算是先膨胀后腐蚀，其功能是用来填充物体内细小空洞、连接邻近物体、平滑其边界，断裂的地方被弥合了，能够填平小孔，弥合小裂缝，而总的位置和形状不变。闭运算的数学表达式是效果展示图8-20闭运算处理效果图8.5形态学梯度运算理论基础梯度运算是利用图像的膨胀图像减去腐蚀图像的一种形态学操作，这种操作可以获得图像的边缘信息。形态学梯度的定义：函数说明dst=cv2.morphologyEx(src,op,k[,anchor[,iterations[,boderType[,boderValue]]]])dst：表示返回梯度运算的结果。src：表示原始图像。op：表示操作类型，当设置为cv2.MORPH_GRADIENT时，表示对图像进行梯度运算。参数k、anchor、iterations、boderType和boderValue与cv2.dilate()函数的参数用法一致。效果展示（a）是原始图像；（b）是结构元k=2×2的梯度运算结果；（c）是结构元k=5×5的梯度运算结果,随着结构元k的增大，扫描到的边缘会越来越粗，以至于无法分辨出边缘。图8-21形态学梯度运算8.6黑帽与礼帽运算理论基础黑帽与礼帽运算建立在开运算与闭运算的基础上。（1）黑帽运算黑帽运算是用原始图像减去闭运算的结果，即它可以获得比原始图像边缘更加黑暗的边缘部分，或者获得图像内部的小孔。（2）礼帽运算礼帽运算是用原始图像减去开运算的结果，即它可以获得图像的噪声信息或者比原始图像边缘更亮的边缘部分。函数说明在OpenCV中提供了比较方便的函数cv2.morphologyEx()来直接实现图像的黑帽运算与礼帽运算。当将op参数设置为cv2.MORPH_BLACKHAT和cv2.MORPH_TOPHAT时，可以对图像进行黑帽运算与礼帽运算的操作。黑帽运算效果展示图8-22黑帽运算（b）为对图8-22（a）进行黑帽运算的结果。可以看出，黑帽运算可以将目标内部暗的部分提取出来。礼帽运算效果展示图8-33礼帽运算（b）为对图8-23（a）进行礼帽运算的结果。可以看出，礼帽运算可以将目标边缘部分提取出来。8.7图像细化理论基础对图像细化的过程实际上是求图像骨架的过程。在细化一幅图像X的过程中应满足两个条件：第一，在细化的过程中，X应该有规律地缩小；第二，第二，在X逐步缩小的过程中，应当使X的连通性质保持不变。每幅小图的中心点不能删设置一个5×5的邻域S模板，如果S模板某一个位置上所对应的像素值为白，模板上该位置赋为0，否则赋为1。理论基础

图8-265×5的邻域S模板（1）N（s[2][2]）表示以s[2][2]为中心的3×3邻域内目标像素点（即黑点）的个数，取其中的3×3邻域以s[2][2]为中心点，则T(s[2][2])表示序列：s[1][2],s[1][1],s[2][1],s[3][1],s[3][2],s[3][3],s[2][3],s[1][3],s[1][2]中0→1的变化次数。（2）取其中的3×3邻域以s[1][2]为中心点，则T(s[1][2])表示序列：s[0][2],s[0][1],s[1][1],s[2][1],s[2][2],s[2][3],s[1][3],s[0][3],s[0][2]中0→1的变化次数。（3）取其中的3×3邻域以s[2][1]为中心点，则T(s[2][1])表示序列：s[1][1],s[1][0],s[2][0],s[3][0],s[3][1],s[