一. 膨胀和腐蚀的粗略理解
因为膨胀和腐蚀都属于形态学滤波范畴，所以必须先有一个结构体元素。结构体元素就是滤波器矩阵，其有多种类型，包括x形、矩形、十字交叉形、菱形等。其中cv2有默认getStructingElement()方法获取矩形和十字交叉形的结构体元素，当然也可以通过numpy库中的numpy.array()自定义，下面通过一个代码例子列举：
A. cv2内部方法默认分别获取 矩形滤波器，十字交叉形滤波器：
其中 第一个参数是类型， 第二个参数是内核大小ksize，即滤波器大小,最好为奇数（3，5，7）
kernel_rect=cv2.getStructuringElement( cv2.MORPH_RECT , (5,5) )，
kernel_cross=cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
B. numpy.array()自定义
x形滤波器结构体元素
kernel_x=np.array([[1,0,0,0,1],[0,1,0,1,0],[0,0,1,0,0],[0,1,0,1,0],[1,0,0,0,1]],dtype=np.uint8)
菱形滤波器结构体元素
kernel_diamond = np.array([[0,0,1,0,0],[0,1,1,1,0],[1,1,1,1,1],[0,1,1,1,0],[0,0,1,0,0]],dtype=np.uint8)
在获取完结构体元素后，就进行膨胀或者腐蚀操作，所谓 膨胀就是把上面获得的结构体元素与原图像的灰度图逐个遍历， 获取该区域内的最大值。所以膨胀过后的效果图是， 原本图中的亮的区域更多，暗的区域变少，有利于背景的提取。如果连续多次膨胀，最终会得到原图大小的全为255像素的全白图片。而 腐蚀就是膨胀的非操作， 获取的是区域内的最小值 ，原本图中的暗的区域更多，亮的区域变少，有利于前景的提取。如果连续多次膨胀，最终会得到原图大小的全为0像素的黑色图片，下面利用一张二值图来演示一下:
原图:
膨胀后：
连续膨胀后:
腐蚀：
连续腐蚀:
把腐蚀和膨胀这个功能用函数封装起来:
注释：way变量表示结构体类型，为了把获取结构体元素两种方法结合起来， 设置了flag变量,1表示用CV2默认的获取结构体元素的方法（分别可以获取矩形、交叉形),0表示自定义内核类型及大小
def dilate(image,way,flag):
#获取结构体元素 1.直接获取getStructurinElement
if(flag):
kernel=cv2.getStructuringElement(way,(5,5))
#膨胀
result=cv2.dilate(image,kernel)
#膨胀
else:
result=cv2.dilate(image,way)
return result
def erode(image,way,flag):
if(flag):
kernel=cv2.getStructuringElement(way,(5,5))
#腐蚀
result=cv2.erode(image,kernel)
#腐蚀
else:
result=cv2.erode(image,way)
return result
src=cv2.imread('building.jpg')
src=cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
#自定义形态学滤波器的核大小 利用np.array
#x形滤波器结构体元素
kernel_x=np.array([[1,0,0,0,1],[0,1,0,1,0],[0,0,1,0,0],[0,1,0,1,0],[1,0,0,0,1]],dtype=np.uint8)
#菱形滤波器结构体元素
kernel_diamond = np.array([[0,0,1,0,0],[0,1,1,1,0],[1,1,1,1,1],[0,1,1,1,0],[0,0,1,0,0]],dtype=np.uint8)
#十字膨胀后菱形腐蚀
src1=dilate(src,cv2.MORPH_CROSS,1)
src1=erode(src1,kernel_diamond,0)
cv2.imshow('result',src1)
cv2.waitKey(-1)
二. 膨胀和腐蚀的变换，查找角点并绘制
总体思路，十字膨胀结果后菱形腐蚀得出结果src1,同时在原图上进行x形膨胀结果后进行矩形腐蚀得出结果src2。两者的差值就是所求的角点。
Why? 粗略理解：十字膨胀角点只是在水平和竖直方向上扩展，但边没变，菱形腐蚀后，角点在135度或者45度角上的角点都有收缩，但是边没变。x形膨胀，角点和边都在像x形方向扩展，到矩形腐蚀是各个方向都有收缩，所以这之后的结果是角点还原，边腐蚀的更厉害。两者相减的差值，就是角点。（因为边腐蚀的厉害，相减后，就相当于膨胀了一点点，使得最终边也没有变）
把用形态学查找角点并且绘制找好的角点这个功能用函数封装起来（代码实现)：
注释: step1.实现膨胀和腐蚀的函数上面已定义
step2.decrse()是返回两者的差值，即找到的是角点的结果变量result，但有时候找到的角点并不是所有都符合预期，所以需要认为的进行阈值化，通过切片的方式，把result中大于35的像素值全部赋值给255，小于等于35全部赋值为0。
step3.在原图上绘制已经找到的角点，用cv2.cirle()画园，可以设定那些显示，本文设置在找到的result中大于120的像素点才会被显示出来， 特别地，画园时的（x,y）要反过来，result中的坐标存储为（i,j)，但画园时要变为（j,i)
至于开运算和闭运算会在下面讲解，不要急
def decrse(src1,src2):
return src1.astype(np.int32)-src2.astype(np.int32)
def Print_corr(src,diff):
kernel=np.ones((5,5),dtype=np.uint8)
src=cv2.morphologyEx(src,cv2.MORPH_CLOSE,kernel)#闭运算，先膨胀后腐蚀，填补膨胀后的比较暗的部分
#最终使图像中暗色部分区域更加暗，并且该区域比较平滑
cv2.imshow('CLOSE',src)
cv2.waitKey(100)
for i in range(diff.shape[0]):
for j in range(diff.shape[1]):
if diff[i,j]>100:
img=cv2.circle(src,(j,i),5,255)
return img
#十字膨胀后菱形腐蚀
src1=dilate(src,cv2.MORPH_CROSS,1)
src1=erode(src1,kernel_diamond,0)
#x形膨胀后矩形腐蚀
src2=dilate(img_ori,kernel_x,0)
src2=erode(src2,cv2.MORPH_RECT,1)
result=decrse(src1,src2)
result[result>=35]=255
result[result<35]=0 result_draw="Print_corr(src,result)" cv2.imwrite('dilate_erode.jpg',result_draw) src="result_draw" cv2.imshow('result',src) cv2.waitkey(-1)< code></35]=0>
效果图如下：
三、开运算、闭运算、顶帽、底帽
3.1 开运算
开运算就是先腐蚀后膨胀，先腐蚀后得到的效果是原图中本来比较黑的部分就会凸显出更暗，但暗的部分也会有不怎么暗的部分（相对于来讲），然后再膨胀，对于这个并不怎么黑的部分来讲，其膨胀就会显得不那么夸张，并且其扩展的周围图像都是比较平滑的，可以很好的去噪声。可以先感受一下效果：
注释：左边是原图的灰度图，右边是开运算过后的结果，就拿围栏来说，本来就黑，腐蚀过后更黑了，然后图中的红色圈不怎么黑，甚至偏白，但在膨胀时并没有变形的很厉害，反而这部分区域还更加平滑，所以从侧面说明，开运算有良好的去噪效果。
3.2 闭运算
闭运算就是先膨胀后腐蚀，先膨胀后得到的效果是原图中本来比较亮的部分就会凸显出更亮，但亮的部分也会有不怎么亮的部分（相对于来讲），然后再腐蚀，对于这个并不怎么亮的部分来讲，其腐蚀就会收缩这部分，填补这部分比较亮的细缝，使得前景更好的提取。（类似于美图秀秀的P图遮豆,人像就是前景。
记住闭运算类似于祛痘，填补空洞，最后实现就要腐蚀。就不会记混开闭运算谁先腐蚀谁先膨胀，之后又如何判断是开还是闭运算。
效果图如下：
注释：左边是原图的灰度图，右边是闭运算过后的结果，就拿图中圆圈1来说，本来就白，膨胀过后更白了，然后图中的红色圈2不怎么白，甚至偏黑，但在腐蚀时并没有收缩的很厉害，反而这部分区域被填补，所以从侧面说明，闭运算有良好的填补细小缝隙效果。
3.3 顶帽,底帽
顶帽=原图-开运算,简单来说就是提取比原图中更亮的区域。
底帽=原图-闭运算,简单来说就是提取比原图中更暗的区域。
代码实现：1.获取结构体元素
2.直接调用cv2的tophat,blackhat
import cv2
import numpy as np
kernel=np.ones((3,3),dtype=np.uint8)
img=cv2.imread('building.jpg')
img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
black_hat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
top_hat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
cv2.imshow('black_hat',black_hat)
cv2.imshow('top_hat',top_hat)
key=cv2.waitKey()
cv2.destroyAllWindows()
效果图如下:
四、Harris检测并绘制角点
4.1 原理
一个固定窗口在图像上进行任意方向上滑动，滑动前compare滑动后,窗口中灰度值变化，变化大的，则该窗口存在角点
4.2 代码实现
step1.获取结构体元素
step2.调用cornerHarris()方法探测角点
step3. 探测角点归一化 cv2.normalize（相当于阈值化结果）
step4.在原图中绘制角点（画圆）
def harris_checkPoint(image):
#image=cv2.cvtColor(image,cv2.COLOR_GRAY2BGR)
blocksize=2
apertureSize=3
k=0.04
kernel=np.ones((5,5),dtype=np.uint8)
image=cv2.morphologyEx(src,cv2.MORPH_OPEN,kernel)#开运算 先腐蚀后膨胀，去除噪声
#效果图是背景图的部分区域更亮，并且该区域比较平滑
cv2.imshow('OPEN',image)
cv2.waitKey(100)
#gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
dst=cv2.cornerHarris(image,blocksize,apertureSize,k)
dst_norm=np.empty(dst.shape,dtype=np.float32)
#结果归一化
cv2.normalize(dst,dst_norm,alpha=0,beta=255,norm_type=cv2.NORM_MINMAX)
#绘制结果
for i in range(dst_norm.shape[0]):
for j in range(dst_norm.shape[1]):
if int(dst_norm[i,j])>120:
cv2.circle(image,(j,i),2,(255,255,255),2)
return image
效果如图：
今天先到这里了，本次内容有点多，主要是理解腐蚀和膨胀的应用。如果不想理解概念，可直接跳过本章进入下一章，下一章内容会直接附上完整代码，方便运行看结果。关于今天的总结和边缘检测，也请关注我的下一章内容。码字不易，请多多一键三连666，哈哈哈哈！！！
Original: https://blog.csdn.net/m0_57724611/article/details/121439783
Author: Never Leung
Title: OpenCV之角点检测和边缘检测的方法总结
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/762083/
转载文章受原作者版权保护。转载请注明原作者出处！