【Python】【Opencv】形态学操作cv2.morphologyEx（）函数详解和示例，实现腐蚀、膨胀、闭和开等运算

文章【Python】【Opencv】形态学操作cv2.morphologyEx（）函数详解和示例，实现腐蚀、膨胀、闭和开等运算分享给大家，欢迎收藏Python资料网，专注分享技术知识

常用的形态学操作如腐蚀、膨胀、开运算、闭运算等，可以帮助我们解决一下图像不连接或消除图像中某些不想要的连接，对于图像处理使用方便，效果明显。本文通过示例对这些功能和效果进行演示，以帮助大家理解和使用。

cv2.morphologyEx（）函数详解

cv2.morphologyEx 是 OpenCV 中的一个函数，用于执行形态学操作，如腐蚀、膨胀、开运算、闭运算等。这个函数的基本语法如下：

retval, dst = cv2.morphologyEx(src, op, kernel[, dst[, anchor]])

参数：
src：源图像，必须是单通道的灰度图像。
op：形态学操作的类型，可以是以下几种：
cv2.MORPH_ERODE：腐蚀操作。
cv2.MORPH_DILATE：膨胀操作。
cv2.MORPH_OPEN：开运算。
cv2.MORPH_CLOSE：闭运算。
cv2.MORPH_GRADIENT：形态学梯度。
cv2.MORPH_TOPHAT：原图像减去膨胀的图像。
cv2.MORPH_HITMISS：结构元素对应的点集比较。
kernel：形态学操作的核，通常是一个矩形、椭圆或十字形的小矩阵。核的大小可以是正奇数。
dst（可选）：输出图像，如果未指定，则函数会创建一个新的输出图像。
anchor（可选）：核的锚点，默认是核的中心。

如上面op参数不同功能不同，我们可以改变op的参数以实现不同的功能。

腐蚀操作

腐蚀操作在图像处理中具有多种应用，其主要作用是消除图像中的噪声、细化对象、断开连接的对象等。腐蚀操作通过逐渐消除边界上的像素点，使图像向中心收缩，从而达到消除噪声、断开连接对象的效果。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('1.jpg', 0)

# 定义核
kernel = np.ones((9,9), np.uint8)
eroded = cv2.morphologyEx(img, cv2.MORPH_ERODE, kernel)
# 腐蚀操作
#eroded = cv2.erode(img, kernel)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Erosion', eroded)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意，这里kernel值设置直接影响最后的结果，下面改变不同的核值，以对比其效果。

上图为原图

上图左边为33核大小腐蚀结果，右边为99核大小腐蚀结果。可以看出，核变大之后效果更明显，尤其是在图像上端，比较尖的区域。

膨胀

图像中每个像素与一个结构元素进行卷积来完成的。膨胀操作可以使前景区域扩张，填充空洞和连接断裂的区域

主要代码与腐蚀相同，将cv2.MORPH_ERODE替换为cv2.MORPH_DILATE：

DILATE33 = cv2.morphologyEx(img, cv2.MORPH_DILATE, kernel33)

kernel的值进行自定义即可，在此处使用两个数值进行对比。

kernel1515 = np.ones((15,15), np.uint8)
kernel33 = np.ones((3,3), np.uint8)

原图如下：

效果图

进行膨胀操作，下图左边核大小为33，右边为1515.

可以看出，卷积核越大，连接的效果越好，但也会把中间部分进行连接。

开运算和闭运算是腐蚀和膨胀的组合操作，只是进行的顺序不同，实现的效果也不同。

开运算

先进行腐蚀运算，再进行膨胀运算。开运算的效果是能够除去孤立的小点、毛刺和小桥，而总的位置和形状不便。开运算是一个基于几何运算的滤波器，结构元素大小的不同将导致滤波效果的不同。
替换代码中的

cv2.morphologyEx(img, cv2.MORPH_DILATE, kernel33)

效果图

左边为33的核大小效果，右边为1515的核大小效果。

可以看出当核为33时效果不明显，而值为1515时已经把连接较少的地方直接断开。

闭运算

先进行膨胀运算，再进行腐蚀运算。闭运算的效果是能够填平小湖（即小孔）、弥合小裂缝，而总的位置和形状不变。闭运算是通过填充图像的凹角来滤波图像的，结构元素大小的不同将导致滤波效果的不同。

上图左边为33的核大小，右边为1515的核大小。

下图中，左边为2121的核大小，右边为2525的核大小，可以看出随着核大小的增大，连接的效果在变好。

总结

不同的操作和运算对图像的处理不同，但相应的核大小要根据自己的项目和应用设置，设置不当也会影响其效果。

版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！