目录
1 图像形态学运算
在计算机视觉教程2-2：详解图像滤波算法(附Python实战)中我们将图像滤波进行了以下分类：
-
邻域滤波
-
线性滤波
-
非线性滤波
-
频域滤波
-
低通滤波
- 高通滤波
在 非线性滤波中，之前只介绍了 中值滤波，事实上，还有一类非常常用的非线性滤波方法，称为 图像形态学运算(Morphological operations)。
图像形态学运算是一类基于图像形状运算的非线性滤波技术，其基本思想是利用一些特殊的 结构元来测量或提取图像中相应的形状和特征，以便进一步进行图像分析和处理。这里结构元素就相当于我们在滤波中所涉及到的 模板——一个给定像素的矩阵，这个矩阵形状可以任意，但一般是正方形。
接下来，我们分析一下几种经典的图像形态学运算算法，再编程测试一下~
2 腐蚀
腐蚀就是用局部灰度最小值代替目标像素值实现对高亮区域的腐蚀。
举个例子，有这样一张图像和这样一个结构元素，其中结构元素的蓝色方块表示的是模板原点。
下面我们开始遍历这张图像，到下图这个位置的时候，模板内灰度最小值是灰色方格的像素，因此替换掉模板原点中蓝色方格处的像素为灰色(原本为白色，被腐蚀了)
就这样遍历完这张图像得到
; 3 膨胀
膨胀就是用局部灰度最大值代替目标像素值实现对高亮区域的膨胀。
和腐蚀类似，遍历这张图像，到下图这个位置的时候，模板内灰度最大值是白色方格的像素，因此替换掉模板原点中蓝色方格处的像素为白色(原本为灰色，膨胀了)
就这样遍历完这张图像得到膨胀的最终结果为
上个实物图感受下腐蚀和膨胀的效果
4 开运算与闭运算
理解了图像腐蚀与膨胀，那么开闭运算就很容易了
- 开运算(Opening)：先腐蚀再膨胀
- 闭运算(Closing)：先膨胀再腐蚀
开运算能够除有效去除孤立点、毛刺和小桥；闭运算能够填平小孔，弥合缝隙。
上图假设灰色区域为高亮。
; 5 顶帽运算与底帽运算
顶帽运算与底帽运算是用于表征开闭运算与原图像间差异的运算，类似边缘检测的梯度差
- 图像顶帽运算：表征原图像与开运算得到的图像之间的区别
- 图像底帽运算：表征原图像与闭运算得到的图像之间的区别
6 恶魔与天使
先看看原图，一对可爱的猫咪
进行腐蚀操作，首先创建结构元
int eSize = 3;
int s = eSize * 2 + 1;
Mat structureElement = getStructuringElement(MORPH_RECT, Size(s, s), Point(-1, -1));
接着用结构元遍历原图， OpenCV有封装好的API，直接调用即可
erode(src, dst, structureElement);
imshow("腐蚀操作后：", dst);
得到腐蚀后的图像如下所示，眼睛空洞洞的，有点恐怖片内味了，这还是原来那两只猫吗？
膨胀操作类似于腐蚀，也有
OpenCV封装好的API
dilate(srcImg, dstImg, structureElement, Point(-1, -1), 1);
imshow("膨胀操作后：", dstImg);
膨胀出来的小猫就显得轻松很多，感觉升华了。
今后要是想有一张照片创造
光与影、 正与邪、 天使与恶魔两种反差，可以考虑采用图像腐蚀和膨胀操作。
限于篇幅，无法再粘贴代码，完整的工程文件请关注下方二维码回复”CV006″领取，已经给你们打包好了哦~
🚀 计算机视觉基础教程说明
章号 内容
0 色彩空间与数字成像
1 计算机几何基础
2 图像增强、滤波、金字塔
3 图像特征提取
4 图像特征描述
5 图像特征匹配
6 立体视觉
7 项目实战
🔥 更多精彩专栏：
👇源码获取 · 技术交流 · 抱团学习 · 咨询分享 请联系👇
Original: https://blog.csdn.net/FRIGIDWINTER/article/details/123439545
Author: Mr.Winter`
Title: 计算机视觉教程2-7：天使与恶魔?图文详解图像形态学运算(附代码)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/718805/
转载文章受原作者版权保护。转载请注明原作者出处！