介绍
形态学操作其实就是改变物体的形状，比如腐蚀就是”变瘦”，膨胀就是”变胖”，看下图就明白了
形态学操作一般作用于二值化图，来连接相邻的元素或分离成独立的元素。腐蚀和膨胀是针对图片中的白色部分！
主要是应用在二值图像分析中，灰度图像亦可。
可以看做膨胀是将白色区域扩大，腐蚀是将黑色区域扩大
一、膨胀与腐蚀
相关函数
def getStructuringElement(shape, ksize, anchor=None): #real signature unknown; restored from __doc__
第一个参数shape:表示内核的形状，有三种形状可以选择
矩形：MORPH_RECT; 交叉形：MORPH_CORSS; 椭圆形：MORPH_ELLIPSE;
第二个参数ksize:是内核的尺寸(n,n)
第三个参数anchor:锚点的位置
getStructuringElement函数会返回指定形状和尺寸的结构元素。
1、腐蚀erode
腐蚀的效果是把图片”变瘦”，其原理是在原图的小区域内取局部最小值。因为是二值化图，只有0和255，所以小区域内有一个是0该像素点就为0，这样原图中边缘地方就会变成0，达到了瘦身目的。
OpenCV中用cv2.erode()函数进行腐蚀，只需要指定核的大小就行：
img = cv2.imread('j.bmp', 0)
kernel= np.ones((5, 5), np.uint8)
erosion= cv2.erode(img, kernel)  #腐蚀
这个核也叫结构元素，因为形态学操作其实也是应用卷积来实现的。结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素，比如：
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  #矩形结构
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))  #椭圆结构
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))  #十字形结构
代码实现
1 importcv2 as cv2 importnumpy as np3
4 deferode_image(image):5     print(image.shape)6     gray =cv.cvtColor(image,cv.COLOR_BGR2GRAY)7     ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU) #大律法获取二值图像
8     cv.imshow('binary',binary)9     kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))  #可以修改卷积核大小来增加腐蚀效果，越大腐蚀越强
10     dst =cv.erode(binary,kernel)11     cv.imshow('erode_demo',dst)12
13 img = cv.imread('1.jpg')14 cv.imshow('input image',img)15 erode_image(img)16 cv.waitKeyEx(0)17 cv.destroyAllWindows()
2、膨胀dilate
膨胀与腐蚀相反，取的是局部最大值，效果是把图片”变胖”：
dilation = cv2.dilate(img, kernel)  #膨胀
代码实现
1 importcv2 as cv2 importnumpy as np3
4 #膨胀就是白色部分变多
5 defdilate_image(image):6     print(image.shape)7     gray =cv.cvtColor(image,cv.COLOR_BGR2GRAY)8     ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU) #大律法获取二值图像
9     cv.imshow('binary',binary)10     kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))  #可以修改卷积核大小来增加腐蚀效果，越大膨胀越强
11     dst =cv.dilate(binary,kernel)12     cv.imshow('dilate_demo',dst)13
14 img = cv.imread('1.jpg')15 cv.imshow('input image',img)16 dilate_image(img)17 cv.waitKeyEx(0)18 cv.destroyAllWindows()
3、可以不进行灰度处理，对彩色图片进行处理
(1)膨胀
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
dst=cv.dilate(src,kernel)
cv.imshow("result",dst)
(2)腐蚀
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
dst=cv.erode(src,kernel)
cv.imshow("result",dst)
二、开闭运算
1、开
先腐蚀后膨胀叫开运算(因为先腐蚀会分开物体，这样容易记住)，其作用是：分离物体，消除小区域。
特点：消除噪点，去除小的干扰块，而不影响原来的图像
这类形态学操作用cv2.morphologyEx()函数实现：
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  #定义结构元素
img = cv2.imread('j_noise_out.bmp', 0)
opening= cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)  #开运算
代码实现
1 importcv2 as cv2 importnumpy as np3
4 defcamp(val1,val2):5     pv = val1 +val26     if pv > 255:7         return 255
8     elif pv <0:9         return010     else:11         returnpv12
13 defopen_demo(image):14     gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)     #(h,w) = (576,1024)
15     print(gray.shape)16     for i in range(1000):17         h = np.random.random_integers(0,gray.shape[0]-1)    #因为返回的是闭区间内的随机整数，h是从0开始的，所以要减1
18         w = np.random.random_integers(0,gray.shape[1]-1)19         value = np.random.random_integers(0,255)        #随机添加的像素值
20         gray[h,w] =camp(gray[h,w],value)21     ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)22     cv.imshow('binary',binary)23     kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))24     open = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel)     #开操作，先腐蚀后膨胀，会消除一些为1的白色噪点
25     cv.imshow('open_demo',binary)26
27 img = cv.imread('1.jpg')28 cv.imshow('input image',img)29 open_demo(img)30 cv.waitKey(0)31 cv.destroyAllWindows()
2、闭
闭运算则相反：先膨胀后腐蚀(先膨胀会使白色的部分扩张，以至于消除/“闭合”物体里面的小黑洞，所以叫闭运算)
特点：可以填充闭合区域
img = cv2.imread('j_noise_in.bmp', 0)
closing= cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)  #闭运算
代码实现
1 importcv2 as cv2 importnumpy as np3
4 defcontours_demo(image):5     gray =cv.cvtColor(image,cv.COLOR_BGR2GRAY)6     ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)7     cv.imshow('binary',binary)8     kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))9     close_image =cv.morphologyEx(binary,cv.MORPH_CLOSE,kernel)10     cv.imshow('close image',close_image)11 img = cv.imread('flower.png')12 cv.imshow('flower',img)13 contours_demo(img)14 cv.waitKey(0)15 cv.destroyAllWindows()
3、补充
从图中可以看出闭操作将白色区域被连接起来了，或者被扩大了。任何黑色区域如果小于结构元素的大小都会被消除
相反的，开操作消除了白点，这些白点的大小都小于结构元素。
这两种操作通常用在目标检测中。闭操作将错误分开成小片的物体从新连接成一个整体。而开操作则是去除一小块的噪点。因此，他们两个结合起来用效果会更好。先闭操作然后再开操作，最后的结果就是得到了图像中我们想要的目标。
也可以先进行开操作，然后再闭操作。但是这样做可能会消除更多的碎块。
值得注意的是对于同一幅图像连续使用开操作或者闭操作是没有任何意义的，操作结果都和第一次的相同。
如果我们的目标物体外面有很多无关的小区域，就用开运算去除掉；如果物体内部有很多小黑洞，就用闭运算填充掉
三、其他形态学操作
1、顶帽与黑帽
顶帽 tophat(原图像与开操作之间的差值图像)
黑帽 blackhat(原图像与闭操作图像的差值)
1 importcv2 as cv2 importnumpy as np3
4 deftop_hat_demo(image):5     gray =cv.cvtColor(image,cv.COLOR_BGR2GRAY)6     ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)7     cv.imshow('binary',binary)  #这里的二值化图像就可以看作是原图像(注意：基于腐蚀膨胀是可以直接对彩色图像操作的))
8     kernel = cv.getStructuringElement(cv.MORPH_OPEN,(5,5))9     dst =cv.morphologyEx(binary,cv.MORPH_OPEN,kernel)10     cv.imshow('open',dst)   #查看开操作图像
11
12     #tophat
13     dst =cv.morphologyEx(binary,cv.MORPH_TOPHAT,kernel)14     cv.imshow('tophat',dst)     #tophat差值图像
15
16     #blackhat
17     dst =cv.morphologyEx(binary,cv.MORPH_BLACKHAT,kernel)18     cv.imshow('blackhat',dst)19 img = cv.imread('flower.png')20 cv.imshow('input image',img)21 top_hat_demo(img)22 cv.waitKey(0)23 cv.destroyAllWindows()
2、形态学梯度Gradient
1 importcv2 as cv2 importnumpy as np3
4 defgradient_demo(image):5     gray =cv.cvtColor(imgae,cv.COLOR_BGR2GRAY)6     ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)7     cv.imshow('binary',binary)8     kernel = cv.getStructuringElement(cv.MORPH_RECT,(5,5))9     dilate_binary =cv.dilate(binary,kernel)10     cv.imshow('dilate_binary',dilate_binary)11     erode_binary =cv.erode(binary,kernel)12     cv.imshow('erode_binary',erode_binary)13
14     #基本梯度  cv.MORPH_GRADIENT
15     dst =cv.morphologyEx(binary,cv.MORPH_GRADIENT,kernel)16     cv.imshow('gradient_binary',dst)17
18     #内部梯度
19     dst2 =cv.subtract(binary,erode_binary)20     cv.imshow('inner gradient',dst2)21
22     #外部梯度
23     dst3 =cv.subtract(binary,dilate_binary)24     cv.imshow('outer gradient',dst3)25
26 img = cv.imread('flower.png')27 cv.imshow('input image',img)28 gradient_demo(img)29 cv.waitKey(0)30 cv.destroyAllWindows()

数学形态运算中，最常见的基本运算有七种， 分别为：腐蚀、膨胀、开运算、闭运算、击中、细化和粗化， 它们是全部形态学的基础。腐蚀和膨胀，看上去好像是一对互逆的操作，实际上，这两种操作不具有互逆的关系。 开运算和闭运算正是依据腐蚀和膨胀的不可逆性，演变而来的。先腐蚀后膨胀的过程就称为开运算。 闭运算是通过对腐蚀和膨胀的另一种不同次序的执行而得到的，
 闭运算是先膨胀后腐蚀的过程，其功能是用来填充物体内细小空洞、连接邻近物体、平滑其边界， 同时不明显改变不明显改变其面积。 参考代码如下所示：

IplImage *src=0;  
IplImage *dst=0;  
IplConvKernel *element=0; 
int element_shape=CV_SHAPE_CROSS; 
int max_iters=20;  
int open_close_pos=0;  
int erode_dilate_pos=0; 

void ImageOpenClose(int pos)  {  
    int n=open_close_pos-max_iters;  
    int an=n>0?n:-n;  
    element = cvCreateStructuringElementEx(an*2+1,an*2+1,an,an,element_shape,0);//创建结构元素  
     
    if (n<0)  {  
        cvErode(src,dst,element,1);//腐蚀图像  
        cvDilate(dst,dst,element,1);//膨胀图像  
    }  
    else  {         
        cvDilate(dst,dst,element,1);//膨胀图像  
        cvErode(src,dst,element,1);//腐蚀图像  
    }  
    cvReleaseStructuringElement(&element);  
    cvShowImage("Open/Close",dst);  
}  
void ImageErodeDilate(int pos){  
    int n=erode_dilate_pos-max_iters;  
    int an=n>0?n:-n;  
    element = cvCreateStructuringElementEx(an*2+1,an*2+1,an,an,element_shape,0);  
    if (n<0){  
        cvErode(src,dst,element,1);  
    }  
    else {  
        cvDilate(src,dst,element,1);  
    }  
    cvReleaseStructuringElement(&element);  
    cvShowImage("Erode/Dilate",dst);  
}  
测试主程序


int _tmain(int argc, _TCHAR* argv[]){  
    char *filename ="Tulips.jpg";     
    if( (src = cvLoadImage(filename,1)) == 0 )  
        return -1;  
    dst=cvCloneImage(src);  
    cvNamedWindow("Open/Close",1);  
    cvNamedWindow("Erode/Dilate",1);  
    open_close_pos = erode_dilate_pos = max_iters;  
    cvCreateTrackbar("iterations","Open/Close",&open_close_pos,max_iters*2+1,ImageOpenClose);  
    cvCreateTrackbar("iterations","Erode/Dilate",&erode_dilate_pos,max_iters*2+1,ImageErodeDilate);
	
	for (;;)  {  
        int c;  
        ImageOpenClose(open_close_pos);  
        ImageErodeDilate(erode_dilate_pos);  
        c= cvWaitKey(0);  
        if (c==27) {  
            break;  
        }  
        switch(c) {  
        case 'e':  
            element_shape=CV_SHAPE_ELLIPSE;  
            break;  
        case 'r':  
            element_shape=CV_SHAPE_RECT;  
            break;  
        case '/r':  
            element_shape=(element_shape+1)%3;  
            break;  
        default:  
            break;  
        }  
    }  
    cvReleaseImage(&src);  
    cvReleaseImage(&dst);  
     
    cvDestroyWindow("Open/Close");  
    cvDestroyWindow("Erode/Dilate");  
    return 0;  
}  

输出结果：




关于Computer
 Vision更多讨论与交流，敬请关注本博客和新浪微博songzi_tea.

一、实验原理、目的与要求

、实验原理、目的与要求

要求：从带有车道线的图像（图2）中检测出车道线，并将检测算法通过摄像头采集实现实时的车道线检测。检测算法包括（但不限）以下步骤：

读入图像；
	
灰度变换；
	
去噪；
	
边缘检测；
	
线检测（直线/曲线）；
	
视频采集及实时检测
	

 

图3-1 原图

原理： 

形态学处理：

开运算：先腐蚀后膨胀的过程。用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。开运算通常是在需要去除小颗粒噪声，以及断开目标物之间粘连时使用。其主要作用与腐蚀相似，与腐蚀操作相比，具有可以基本保持目标原有大小不变的优点
	
闭运算：先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积
Canny检测：是一种多级边缘检测算法，它首先进行图像降噪（但是在opencv和matlab调用的检测并不包括降噪）、计算图像梯度、非极大值抑制和阈值筛选

Hough变换及直线检测：如果直线 y=mx+b 在图片中，那么图片中，必需有N多点在直线上（像素点代入表达式成立），只要有这条直线上的两个点，就能确定这条直线。该问题可以转换为：求解所有的(m,b)组合。设置两个坐标系，左边的坐标系表示的是(x,y)值，右边的坐标系表达的是(m,b)的值，即直线的参数值。那么一个(x,y)点在右边对应的就是是一条线，左边坐标系的一条直线就是右边坐标系中的一个点。这样，右边左边系中的交点表示有多个点经过(m,b)确定的直线。

 

二、实验仪器设备及环境

电脑（windows10）

环境：matlab2016b

三、实验内容步骤

1.首先进行二值化处理

2.对图像进行去噪

3.检测图像边缘

4.检测直线，找出车道线

5.尝试视频录制和动态检测

 

 

四、实验数据记录及数据处理

1.二值化：

实验时发现，如果直接使用大津法计算阈值，车道线反而会被模糊掉



图3-2直接用大津法二值化

   于是尝试了用先用对数变换扩展暗处像素，以期使车道线与车道背景分离开，再二值化，，实践后发现，虽然扩展了暗处像素，但二值化的效果并不明显



图3-3对数变换后的图片



图3-4对数变换后再OTSU二值化

    于是最终选择了手动调节阈值来进行二值化



图3-5使用阈值为148进行二值化

2.去噪：



图3-6按连通域面积滤除后的效果

  接下来利用上一次实验的成果，对图像进行闭运算，进一步增强图像



图3-7进行闭运算之后的结果

  3.进行canny边缘检测



图3-8进行canny边缘检测后的结果

 

   4.进行霍夫变换并进行直线检测，通过调节参数，获得比较理想的结果



图3-9进行直线检测的结果

5.视频采集

由于没有合适的手段采集实际的车道线并动态检测，这里仅仅分别尝试了在matlab和opencv中获取电脑自带摄像头的图像，获取之后直接用于图像处理即可

这里要注意的是，一般摄像头都会有最大帧率，比如50fps。那么如果想用满所有的图像，就必须要保证每张图像的处理时间在20ms以内（假设采集不需要占用cpu），不然就不能用满所有帧；或者说，最终的图像处理速度，取决于采集和处理之中的慢者

 

图3-10获取电脑摄像头图像

五、实验结论探讨及分析

本次实验进行车道线检测，相比于前两次实验，本次实验算是一个相对比较完整的图像工程，从最基本的图片中提取出需要的信息——车道线

实现的思路比较常规，由于图像中并没有过多的噪点，二值化后图像就已经很清晰了，后面的canny边缘检测和hough变换直线检测都显得水到渠成。不过这里也发现，选取合适的阈值对图像进行二值化并不容易。虽然大津法是动态阈值，但是有时候用大津法二值化并不能不满足提取图像细节的需求。

形态转换提取和改变图像中斑点的结构，他们分为两类：

二进制形态学函数，应用于二进制图像。

灰度级形态学函数，应用于灰度级图像。

在灰度形态学中，一个像素与那些周围的像素比较，以使像素值最小（在腐蚀中）或者最大（在膨胀中）。

什么情况下使用灰度形态学
使用灰度形态学函数来过滤或者平滑图像的像素亮度。这些应用包括噪声滤波，不均匀背景校正，灰度特征提取。

灰度形态学的定义

灰度级形态学功能应用于灰度级图像。通过扩展亮区域，可以使用这些功能来改变区域的形状；或者扩这暗区域来改变区域的形状也行。这些函数平滑渐变模式，提高边界地方的对比度。


本节讲述下面的灰度形态学功能：


1、腐蚀

2、膨胀

3、打开

4、关闭

5、适当打开

、6适当关闭

7、自动中值化


这些功能来源于灰度级腐蚀和膨胀的组合。
 
以上内容由深圳市科视创科技有限公司整理编辑，分享请注明出处


机器视觉系统（检测、测量、识别、定位）、工业镜头、工业相机、LED光源、光源控制器、传感器   有需要的可加QQ249412661