1. 形态学

OpenCV形态学是一种基于OpenCV库的数字图像处理技术，主要用于处理图像的形状、结构和空间关系。它包括一系列图像处理工具和算法，包括膨胀、腐蚀、开运算、闭运算、形态学梯度、顶帽、黑帽等。

通过对图像进行形态学操作可以实现一些重要的图像处理任务，比如去除噪声、分离图像中的对象、填充图像中的空洞、改变图像的形状、寻找图像中的轮廓等等。在OpenCV中，形态学操作通常采用二值图像进行处理，它可以通过C++或Python编程实现具体的形态学算法

2. 常用接口

在对图片进行相关操作之前，我们首先要先将彩色图片转变为灰度图像，方便图像的二值化。

2.1 cvtColor()

转换颜色通道的API
dst = cv2.cvtColor( img , cv2.COLOR_BGR2GRAY)
第二个参数为BGR图像转到灰度图像。

2.2 图像二值化

threshod()

该API能将灰度图像按照设定的阈值，将图像二值化。

ret ,dst = cv2.threshod( img, thresh, maxVal, type)
img：图像，最好是灰度图。
thresh：阈值（低于阈值为0，高于阈值的部分为maxVal）
maxVal：超过阈值的替换成maxVal
返回值有两个，第一个是使用的阈值，第二个是输出后的图像

type：

• CV2.THRESH_BINARY
• CV2.THRESH_BINARY_INV
• CV2.THRESH_TRUNC
• CV2.THRESH_TOZERO
• CV2.THRESH_TOZERO_INV

上图显示了不同参数下，二值化的不同图像，第一个图为原始图像，后面的为不同的规则。

---

下列示例将一个灰度图分别以阈值100，180进行二值化。

import cv2
import numpy as npimg = cv2.imread('./image/lena_small.png')
# 将图片转换为灰度图
img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 将阈值设为100，180
ret, img2 = cv2.threshold(img1, 100, 255, cv2.THRESH_BINARY)
ret1, img3 = cv2.threshold(img1, 180, 255, cv2.THRESH_BINARY)cv2.imshow('orgin_img', img1)
cv2.imshow('img_100', img2)
cv2.imshow('img_180', img3)cv2.waitKey(0)

自适应阈值二值化

有时候由于光照不均匀以及阴影的存在，有可能导致阴影部分的白色会被二值化为黑色，因此只有一个阈值的缺陷就暴露了出来。

用全局二值化，将阈值设置为180时，由于阴影的存在，会将阴影部分黑化，导致显示不完全。因次提出了自适应二值化的方法。

adaptiveThreshod()

dst = cv2.adaptiveThreshod(img, maxVal, adaptiveMethod, Type, blockSize, C)
img：需要二值化的图像（最好是灰度图
maxVal：超过阈值的像素设置成maxVal
adaptiveMethod：见下图
Type：为全局二值化的Type
blockSize：临近区域的大小，填奇数
C：常量，从计算的平均值或加权平均值中减去，一般为0

2.3 腐蚀与膨胀

腐蚀就是将一个图片关键部分“缩小“，膨胀将一个图形的关键部分放大。卷积核通常为全1的奇数矩阵。

erode()

原始图像中的一个像素无论是1还是0，只有当内核中的所用像素都是1时，结果才是1，否则结果就是0
dst = cv2.erode(img, kenel, iterations = 1)
img：要腐蚀的图像
kenel：卷积核，全1的矩阵
iterations：执行次数，默认为1次

getStructuringElement()

便捷API，帮助我们获得指定大小的卷积核
kernel = cv2.getStructuringElement(type, Size)
Type：MORPH_RECT(矩形)；MORPH_ELLIPSE(椭圆形部分为1)；MORPH_CROSS(十字架部分为1)
Size：（3， 3）；（5， 5）…

import cv2
import numpy as npimg = cv2.imread('./image/j.png')# 自己创建5*5的卷积核
# kernel = np.ones((5, 5), np.uint8)
# 获得卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
dst = cv2.erode(img, kernel)cv2.imshow('orgin_img', img)
cv2.imshow('dst', dst)cv2.waitKey(0)

dilate()

只要锚点非0，那么结果非0，卷积核越大，膨胀越大
dst = cv2.dilate(img, kernel, iterations = 1)
img：要膨胀的图像
kenel：卷积核，全1的矩阵
iterations：执行次数，默认为1次

import cv2
import numpy as npimg = cv2.imread('./image/j.png')# 自己创建5*5的卷积核
# kernel = np.ones((5, 5), np.uint8)
# 获得卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# # 腐蚀
# dst = cv2.erode(img, kernel)# 膨胀
dst = cv2.dilate(img, kernel)cv2.imshow('orgin_img', img)
cv2.imshow('dst', dst)cv2.waitKey(0)

2.4开、闭、梯度、顶帽、黑帽运算

开运算：腐蚀+膨胀
闭运算：膨胀+腐蚀
梯度：原图-腐蚀
顶帽：原图-开运算
黑帽：原图-闭运算

morphologyEx()

dst = cv2.morphologyEx(img, Type, kernel)
img：进行操作的原图
kernel：噪点大，用大核

Type：

• MORPH_OPEN/MORPH_CLOSE（开闭运算）
• MORPH_GRADIENT(梯度运算)
• MORPH_TOPHAT/MORPH_BLACKHAT（顶黑帽）

开运算：去除文字外的小噪点

闭运算：去除文字内的小噪点

梯度运算：获得文字的轮廓

顶帽：得到大图像外的小图形

黑帽：得到大图形内的小图形

以上就是形态学相关API的使用。