| 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，下面我們來實現有趣的計數操作。
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系。在其他情況下，錨點位置僅用于形態學運算結果的調整。
下面，我們將這三種形狀類型都實現一遍，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實現通用形態學函數的文章就介紹到這了,更多相關OpenCV 通用形態學函數內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
