OpenCV形态学变换：VS2015+OpenCV3.4.9的膨胀、腐蚀、开闭与黑帽顶帽操作

原创 于 2025-07-28 11:43:25 发布 · 812 阅读 · 17 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：本文介绍如何在Visual Studio 2015使用OpenCV 3.4.9库进行图像的形态学处理，重点讲解膨胀、腐蚀、开闭运算以及黑帽和顶帽操作。这些形态学技术对于图像去噪、分割和特征提取十分关键。介绍了每个操作的目的和效果，并通过 cv::morphologyEx() 函数展示了如何实现这些变换。文章还提供了两个示例项目“OpenCVTest10”和“OpenCVTest11”，帮助读者在实践中掌握这些技术的应用。掌握这些形态学操作对于提升图像处理技能是必不可少的。
opencv形态学处理膨胀腐蚀开闭运算黑帽顶帽（VS2015+OpenCV3.4.9）

1. OpenCV概述与图像处理应用

在这一章节中，我们将开启对OpenCV的探索之旅，首先带您了解这个强大工具的全貌，并介绍它在图像处理领域中的应用。OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，它提供了许多常用的图像处理功能，如几何变换、图像滤波、特征检测、物体识别等。这些功能广泛应用于各种图像处理任务中，如面部识别、图像分割、形态学变换等。

OpenCV不仅提供了丰富的函数和算法，还具有高度的灵活性和效率，支持多种编程语言，包括C++, Python等。它通常用于学术研究和商业应用，无论您的项目是需要实时视频处理，还是仅仅需要简单地调整图像大小，OpenCV都能够提供支持。本章节将为没有OpenCV使用经验的读者提供基础教程，带领您快速上手这一强大的图像处理工具。接下来，我们将介绍OpenCV的基础架构以及如何安装配置OpenCV，准备进入图像处理的世界。

2. 膨胀操作的原理及其实现方法

2.1 膨胀操作的理论基础

2.1.1 膨胀操作的数学定义

膨胀（Dilation）是形态学图像处理中的基本操作之一，它用于增强图像中的高亮区域（例如前景物体），同时减少或消除小的暗区（噪声）。数学上，膨胀操作通常定义为将一个结构元素（kernel）放置在输入图像上，并将结构元素覆盖的像素中的最大值赋给中心像素点。

2.1.2 膨胀操作的几何意义

从几何角度讲，膨胀可以看作是一种扩展操作，它将图像中的边界向外部扩张。对于二值图像，这一效果尤为明显，因为像素值只有两种状态（通常为0和255），所以膨胀操作的结果会使得原图像中的白色区域向外扩展，吞噬周围的黑色区域。

2.2 膨胀操作的实现

2.2.1 使用OpenCV API进行膨胀操作

在OpenCV中，进行膨胀操作是通过调用 cv::dilate() 函数实现的。该函数需要至少两个参数：输入图像和结构元素。下面是一个简单的代码示例： 

#include <opencv2/opencv.hpp>

int main() {
    // 读取原始图像
    cv::Mat src = cv::imread("input.jpg", cv::IMREAD_GRAYSCALE);
    if (src.empty()) {
        return -1;
    }
    // 定义结构元素
    cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT,
                                                cv::Size(3,3));
    // 创建输出图像
    cv::Mat dst;
    // 执行膨胀操作
    cv::dilate(src, dst, element);
    // 保存结果图像
    cv::imwrite("dilated.jpg", dst);
    return 0;
}

该代码首先读取一幅灰度图像，然后创建一个3x3的矩形结构元素，并使用 cv::dilate() 函数对其进行膨胀操作，结果图像保存为 dilated.jpg 。

2.2.2 膨胀操作的参数选择与影响

在OpenCV中，除了输入图像和结构元素， cv::dilate() 函数还允许我们传递一个迭代次数参数，这在进行多次膨胀操作时非常有用。每次调用膨胀函数，结构元素都会在图像上滑动一次，将遇到的最大像素值用于更新中心点的值。迭代次数允许我们控制这一过程重复进行多少次。

表格和流程图展示

下面是一个表格，展示了不同结构元素对膨胀效果的影响：

结构元素类型 膨胀效果描述
矩形 均匀扩展边界
椭圆形 圆润边界扩展
十字形 垂直/水平扩展

以及一个mermaid流程图，用以说明膨胀操作的逻辑： 

graph LR
    A[开始] --> B[读取图像]
    B --> C[定义结构元素]
    C --> D[调用cv::dilate()]
    D --> E[保存输出图像]
    E --> F[结束]

通过调整结构元素的形状和大小，我们可以控制膨胀的程度和方向，从而实现特定的图像处理效果。例如，使用十字形结构元素能够得到边缘较锋利的膨胀效果，而椭圆形结构元素则能够得到较为圆滑的膨胀边缘。结构元素的形状和尺寸是根据应用需求和图像特性来选择的，以达到最佳的处理效果。

3. 腐蚀操作的原理及其实现方法

腐蚀操作是形态学图像处理中的一种基本操作，它与膨胀操作互为对偶操作。腐蚀能够使图像中的高亮区域缩小，同时消除小的亮噪声。本章节将详细介绍腐蚀操作的理论基础，并通过实际代码演示如何使用OpenCV库在项目中实现腐蚀操作。

3.1 腐蚀操作的理论基础

3.1.1 腐蚀操作的数学定义

腐蚀操作在数学上可以理解为集合论中的一个概念。假设我们有两个集合A和B（在图像处理中，这两个集合通常对应于图像的前景和结构元素），腐蚀操作可以定义为：
[ A \ominus B = { z | B_z \subseteq A } ]
其中，( B_z ) 表示结构元素B经过平移z后得到的新集合。换句话说，腐蚀的结果是一系列位置z，使得结构元素B平移z之后完全包含于集合A中。

3.1.2 腐蚀操作的几何意义

从几何角度来说，腐蚀操作类似于图像的“腐蚀”或“收缩”。对于图像中的每一个像素点，如果其邻域内的所有像素点均属于目标区域（通常是白色或亮区域），则该点保持在结果图像中；否则，该点会被移除。这种操作使得亮区域逐渐缩小，边界逐渐向内收缩。

3.2 腐蚀操作的实现

3.2.1 使用OpenCV API进行腐蚀操作

OpenCV提供了多种形态学操作的API，其中用于腐蚀操作的是 cv::erode 函数。以下是一个简单的使用示例： 

#include <opencv2/opencv.hpp>

int main() {
    // 加载源图像
    cv::Mat src = cv::imread("path_to_image", cv::IMREAD_GRAYSCALE);
    if (src.empty()) {
        std::cout << "Could not open or find the image!\n";
        return -1;
    }

    // 定义结构元素
    cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT,
                                                cv::Size(5, 5));

    // 创建输出图像
    cv::Mat dst;
    // 进行腐蚀操作
    cv::erode(src, dst, element);

    // 显示源图像和腐蚀后的图像
    cv::imshow("Original", src);
    cv::imshow("Eroded Image", dst);

    cv::waitKey(0);
    return 0;
}

在这段代码中， cv::getStructuringElement 用于创建一个矩形结构元素，而 cv::erode 函数执行实际的腐蚀操作。腐蚀操作使用前面定义的结构元素作为模板，应用到源图像上。

3.2.2 腐蚀操作的参数选择与影响

腐蚀操作的参数选择非常重要，因为不同的参数会导致不同的腐蚀效果。主要的参数包括：

  • src : 原始图像。
  • dst : 输出图像，和输入图像有同样的大小和类型。
  • element : 结构元素。在OpenCV中，它是一个矩形、椭圆形或者自定义形状的矩阵。该参数定义了腐蚀操作的形状和大小。
  • iterations : 腐蚀操作重复的次数。如果为多次，则会重复执行腐蚀操作。

结构元素的选择对腐蚀结果有很大影响，选择不同形状和大小的结构元素会使得腐蚀的细节特征不同。一般来说，结构元素越大，腐蚀效果越明显，腐蚀过程也越快。

下面我们来演示一个使用不同结构元素对同一幅图像进行腐蚀操作的效果对比。我们将使用上述代码中的图像，并分别应用3x3和5x5的矩形结构元素。 

cv::Mat element_3x3 = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));
cv::Mat dst_3x3;
cv::erode(src, dst_3x3, element_3x3);

cv::Mat element_5x5 = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
cv::Mat dst_5x5;
cv::erode(src, dst_5x5, element_5x5);

// 显示不同结构元素的腐蚀效果
cv::imshow("3x3 Eroded Image", dst_3x3);
cv::imshow("5x5 Eroded Image", dst_5x5);

通过对比，我们可以看到，使用3x3结构元素得到的腐蚀效果比使用5x5结构元素得到的腐蚀效果细微，而且保留了更多的图像细节。

表1：不同结构元素的腐蚀效果对比

结构元素大小 腐蚀效果
3x3 细节保留多，腐蚀效果细微
5x5 细节保留少，腐蚀效果明显

通过上面的代码和分析，我们可以了解腐蚀操作的实现方式和对结果图像的影响，这有助于我们在实际应用中根据需要选择适当的参数和结构元素。下一章我们将讨论开运算和闭运算的作用及其在图像处理中的实现方法。

4. 开运算与闭运算的作用及其实现方法

4.1 开运算的作用及其实现

4.1.1 开运算的理论基础

开运算是数学形态学中的一个基本概念，用于图像的预处理、去噪以及特征提取等。从几何角度来看，开运算是一种平滑处理，它能够去除小的物体或细节（例如小的噪声斑点），同时保持较大物体的边缘。开运算的操作过程涉及到两个步骤：首先是对图像进行腐蚀操作，然后使用与原始图像相同形状和大小的结构元素进行膨胀操作。这样处理的结果通常会使图像中的物体边界变得平滑，并消除小于结构元素的凸状结构。

4.1.2 开运算的应用场景

在图像处理中，开运算被广泛应用在需要去除图像细节的场合，比如去除小的物体或者斑点噪声。开运算适用于对二值图像的处理，因为二值图像的对比度高，腐蚀和膨胀的效果更加明显。在一些预处理步骤中，如在分割之前去除孤立的小斑点，或者在识别文字前去除文字周围的小斑点，开运算都非常有用。通过适当的结构元素选择，开运算可以有效地保持大物体的形状，同时去除不需要的细节。

4.2 闭运算的作用及其实现

4.2.1 闭运算的理论基础

与开运算相对的是闭运算，它同样是图像处理中的一种形态学操作。闭运算是先对图像进行膨胀操作，随后进行腐蚀操作的过程。闭运算的一个关键特性是它可以连接临近的物体，并填补小洞或裂缝。闭运算在处理过程中保持了大区域的连通性，同时将小的空洞填补起来。因此，闭运算特别适用于去除图像中的小洞，以及连接紧密邻近的物体。

4.2.2 闭运算的应用场景

闭运算的应用场景广泛，它在图像处理中用于修复或者填补图像中的空洞、裂缝和断裂。比如在对医疗器械的X光图像进行分析时，闭运算可以用来修复因图像质量不佳而产生的裂缝。在光学字符识别（OCR）技术中，闭运算可以用来填补字符之间的细小空隙，使字符看起来更加完整。在处理自然景观图像时，闭运算能够连接相距较近的山峰或连绵的山脉，使图像中相关的对象连成一片。 

// 示例代码：使用OpenCV进行开运算和闭运算

#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    // 加载原始图像
    cv::Mat image = cv::imread("path_to_image.jpg", cv::IMREAD_GRAYSCALE);
    if (image.empty()) {
        std::cout << "图像加载失败" << std::endl;
        return -1;
    }

    // 创建结构元素
    cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT,
                                               cv::Size(5, 5));

    // 开运算：先腐蚀后膨胀
    cv::Mat opening;
    cv::morphologyEx(image, opening, cv::MORPH_OPEN, kernel);

    // 闭运算：先膨胀后腐蚀
    cv::Mat closing;
    cv::morphologyEx(image, closing, cv::MORPH_CLOSE, kernel);

    // 展示结果
    cv::imshow("原始图像", image);
    cv::imshow("开运算结果", opening);
    cv::imshow("闭运算结果", closing);

    cv::waitKey(0);
    return 0;
}

在上述的代码示例中，我们首先通过 cv::imread 加载一张灰度图像，然后使用 cv::getStructuringElement 创建一个5x5的矩形结构元素。随后，我们使用 cv::morphologyEx 函数分别实现开运算和闭运算。在开运算中，先使用 cv::MORPH_OPEN 标志，然后传递腐蚀参数；在闭运算中，使用 cv::MORPH_CLOSE 标志进行先膨胀后腐蚀的操作。最后，我们通过 cv::imshow 展示了处理前后的图像对比。

4.2.2 表格：开运算与闭运算效果对比

操作 目的 结果
开运算 去除小的噪声和细节 保持大物体的边缘平滑
闭运算 填补小洞和裂缝 连接临近物体，保持大区域连通性

4.2.3 Mermaid流程图：开运算与闭运算流程 

graph LR
A[开始] --> B[腐蚀操作]
B --> C[膨胀操作]
C --> D[开运算结果]
E[开始] --> F[膨胀操作]
F --> G[腐蚀操作]
G --> H[闭运算结果]

通过上述流程图，可以直观地看到开运算与闭运算的不同步骤。开运算始于腐蚀操作，而闭运算始于膨胀操作。两者最终的步骤相反，分别实现了不同的图像处理效果。

总结以上内容，开运算和闭运算都是形态学处理中的重要组成部分，它们可以有效地处理图像中的噪声、裂缝和细节，对于图像预处理和特征提取都有着不可替代的作用。在实际应用中，开发者可以根据需要选择合适的形态学操作，以达到最佳的处理效果。

5. 黑帽与顶帽操作的定义及用途

5.1 黑帽操作的定义及用途

5.1.1 黑帽操作的理论基础

黑帽操作（Black Hat Morphology）是形态学中的一种基本操作，它是对输入图像进行膨胀和随后的腐蚀操作的组合，以此来突出图像中的暗细节。此操作特别适合用于检测那些比周围结构要暗的区域。

黑帽操作的数学表达式可以概括为： 黑帽(A, B) = A - 开(A, B) ，其中 A 是原始图像， B 是结构元素， 开(A, B) 是先对图像 A 做开运算。

5.1.2 黑帽操作的应用实例

在实际应用中，黑帽操作可以用于各种图像处理任务中，比如识别图像中的暗色斑点或孔洞。例如，在检查材料的完整性时，黑帽操作可以用来识别材料表面的凹陷或杂质。

下面是一个简单的例子，展示了如何使用OpenCV中的 cv::morphologyEx() 函数来实现黑帽操作： 

#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    // 加载原始图像
    cv::Mat src = cv::imread("path/to/image.jpg", cv::IMREAD_GRAYSCALE);
    if(src.empty()) {
        std::cout << "Could not read the image" << std::endl;
        return 1;
    }

    // 创建结构元素
    cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT, 
                                                cv::Size(5, 5));

    // 应用黑帽操作
    cv::Mat black_h帽;
    cv::morphologyEx(src, black_hat, cv::MORPH_BLACKHAT, element);

    // 显示原图和结果图
    cv::imshow("Original", src);
    cv::imshow("Black Hat", black_hat);

    // 等待按键后退出
    cv::waitKey();
    return 0;
}

这段代码首先读取一个灰度图像，然后创建一个矩形结构元素，并且使用 cv::morphologyEx() 函数与 cv::MORPH_BLACKHAT 标志来执行黑帽操作。结果图像突出显示了原始图像中的暗细节。

5.2 顶帽操作的定义及用途

5.2.1 顶帽操作的理论基础

顶帽操作（Top Hat Morphology）是另一种形态学操作，它是输入图像与开运算结果的差。该操作主要用来强调图像中的亮细节，特别是那些比周围背景要亮的区域。

从数学角度来看，顶帽操作可以表达为： 顶帽(A, B) = 白(A, B) - A ，其中 A 是原始图像， B 是结构元素， 白(A, B) 是先对图像 A 做闭运算。

5.2.2 顶帽操作的应用实例

在图像处理中，顶帽操作经常用于突出图像中的小物体，比如扫描文档时突出文本或者在医学图像分析中识别斑点或组织结构。

以下是一个简单的顶帽操作的代码示例： 

#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    // 加载原始图像
    cv::Mat src = cv::imread("path/to/image.jpg", cv::IMREAD_GRAYSCALE);
    if(src.empty()) {
        std::cout << "Could not read the image" << std::endl;
        return 1;
    }

    // 创建结构元素
    cv::Mat element = cv::getStructuringElement(cv::MORPH_RECT, 
                                                cv::Size(5, 5));

    // 应用顶帽操作
    cv::Mat top_hat;
    cv::morphologyEx(src, top_hat, cv::MORPH_TOPHAT, element);

    // 显示原图和结果图
    cv::imshow("Original", src);
    cv::imshow("Top Hat", top_hat);

    // 等待按键后退出
    cv::waitKey();
    return 0;
}

在这段代码中，我们使用了 cv::MORPH_TOPHAT 标志来执行顶帽操作。通过执行这段代码，我们可以得到一个图像，其中更亮的细节部分被突出显示。

通过本章节的介绍，你应能够理解黑帽与顶帽操作在图像处理中的基本原理及其实现方法。在下一章，我们将深入探讨 cv::morphologyEx() 函数的更多应用，并通过一个完整的Visual Studio 2015项目实战来加深理解。

6. cv::morphologyEx() 函数应用与VS2015项目实战指南

在这一章，我们将深入探讨OpenCV中 cv::morphologyEx() 函数的多个方面。这个函数非常强大，它能够执行各种形态学操作，比如膨胀、腐蚀、开运算、闭运算、黑帽和顶帽等。我们将从函数的参数解析开始，然后结合实际案例探讨其在项目中的实战应用。

6.1 cv::morphologyEx() 函数综合应用

6.1.1 函数的参数解析

cv::morphologyEx() 函数是形态学操作的核心，它的原型如下： 

void morphologyEx( InputArray src, OutputArray dst, int op, InputArray kernel, Point anchor = Point(-1,-1), int iterations = 1, int borderType = BORDER_CONSTANT, const Scalar& borderValue = morphologyDefaultBorderValue() );
  • src ：输入图像，可以是灰度图像或二值图像。
  • dst ：输出图像，与输入图像具有相同大小和类型。
  • op ：形态学操作类型，如 CV_MOP_OPEN （开运算）、 CV_MOP_CLOSE （闭运算）、 CV_MOP_GRADIENT （梯度运算）、 CV_MOP_TOPHAT （顶帽）、 CV_MOP_BLACKHAT （黑帽）等。
  • kernel ：形态学操作的结构元素。
  • anchor ：锚点，它的默认值为 Point(-1,-1) ，表示锚点位于结构元素中心。
  • iterations ：迭代次数，用于多次执行相同的形态学操作。
  • borderType ：边界的处理方法。
  • borderValue ：当边界的处理类型为 BORDER_CONSTANT 时使用的边界值。

了解函数的每个参数后，我们将能够灵活地应用 cv::morphologyEx() 函数来完成各种图像处理任务。

6.1.2 多形态学操作的组合应用

我们可以将多个形态学操作组合起来解决复杂的图像处理问题。例如，开运算通常用于去除小的噪点，而闭运算可以用于填充对象内的小孔洞。将这些操作组合起来，可以实现更为复杂的效果。

考虑以下代码片段，它展示了如何组合使用不同的形态学操作： 

Mat src, dst, temp;
// 加载灰度图像
src = imread("path_to_image", IMREAD_GRAYSCALE);

// 创建结构元素
Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5));

// 应用开运算
morphologyEx(src, temp, MORPH_OPEN, kernel);

// 应用闭运算
morphologyEx(temp, dst, MORPH_CLOSE, kernel);

在这个例子中，我们先对图像 src 执行了开运算，然后使用结果作为输入，进行了闭运算。这样的组合操作可以帮助我们先清理图像的噪点，然后填充那些在开运算过程中可能产生的小洞。

6.2 Visual Studio 2015项目实战

在本节中，我们将构建一个Visual Studio 2015项目，并应用形态学操作来处理图像。我们会通过步骤来完成一个实战案例，该项目将使用C++和OpenCV库。

6.2.1 VS2015项目环境搭建

在开始之前，确保已经安装了Visual Studio 2015和OpenCV库。然后按照以下步骤创建和配置项目：

  1. 打开Visual Studio 2015，选择“文件”>“新建”>“项目…”。
  2. 在弹出的窗口中，选择“Visual C++”>“Windows桌面”>“空项目”。
  3. 为项目命名，比如“MorphologyExProject”，并选择合适的路径。
  4. 右击项目名称，选择“属性”，在“配置属性”>“VC++目录”中添加OpenCV的包含目录和库目录。
  5. 在“链接器”>“输入”中添加OpenCV库文件。

完成以上步骤后，我们就可以在项目中编写和运行C++代码了。

6.2.2 实战案例：形态学处理在图像处理中的应用

在这个实战案例中，我们将使用形态学操作来处理一张有噪点和细节缺失的图像。以下是实现步骤和代码示例：

  1. 加载原始图像并转换为灰度图像。
  2. 应用形态学操作，如开运算和闭运算。
  3. 显示处理前后的图像对比。

以下是相应的C++代码： 

#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    // 加载图像
    cv::Mat src = cv::imread("path_to_image", cv::IMREAD_GRAYSCALE);
    if(src.empty()) {
        std::cout << "Could not open or find the image!\n" << std::endl;
        return -1;
    }

    // 定义结构元素和核
    cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5,5));

    // 应用开运算
    cv::Mat open;
    cv::morphologyEx(src, open, cv::MORPH_OPEN, kernel);

    // 应用闭运算
    cv::Mat close;
    cv::morphologyEx(open, close, cv::MORPH_CLOSE, kernel);

    // 显示原始图像和处理后的图像
    cv::imshow("Original Image", src);
    cv::imshow("Processed Image", close);

    // 等待按键
    cv::waitKey(0);
    return 0;
}

这个简单的程序加载了图像，然后通过开运算和闭运算的组合，有效地清理了图像中的噪点并填充了小孔洞，最后展示了处理前后的图像对比。

通过这个项目实战案例，我们可以看到 cv::morphologyEx() 函数如何在实际中发挥作用，以及如何在Visual Studio 2015中进行项目开发和调试。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：本文介绍如何在Visual Studio 2015使用OpenCV 3.4.9库进行图像的形态学处理，重点讲解膨胀、腐蚀、开闭运算以及黑帽和顶帽操作。这些形态学技术对于图像去噪、分割和特征提取十分关键。介绍了每个操作的目的和效果，并通过 cv::morphologyEx() 函数展示了如何实现这些变换。文章还提供了两个示例项目“OpenCVTest10”和“OpenCVTest11”，帮助读者在实践中掌握这些技术的应用。掌握这些形态学操作对于提升图像处理技能是必不可少的。


本文还有配套的精品资源，点击获取
menu-r.4af5f7ec.gif

半清斋
关注
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值