opencv 1-- getStructuringElement函数
opencv 1-- getStructuringElement函数
getStructuringElement函数—获取结构化元素
形态学处理
形态学操作，例如腐蚀，膨胀，开运算，闭运算等
形态学操作是根据图像形状进行的简单操作 一般情况下对二值化图像进行的操作。
需要输入两个参数： 一个是原始图像， 一个被称为结构化元素或核，它是用来决定操作的性质的
OpenCV 函数 cv2.getStructuringElement()
用户：
element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))得到 5*5 的十字形结构
实际上这里是一个5 * 5的矩阵
>>> import cv2
>>> element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
>>> element
array([[0, 0, 1, 0, 0],
[0, 0, 1, 0, 0],
[1, 1, 1, 1, 1],
[0, 0, 1, 0, 0],
[0, 0, 1, 0, 0]], dtype=uint8)这里展示的是十字型的结构，下面看一个矩形
>>> cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
array([[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1]], dtype=uint8)椭圆结构
>>> cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[0, 0, 1, 0, 0]], dtype=uint8)其实我们也可以用numpy来生成自己需要的结构化元素
>>> kernel = np.ones((5,5),np.uint8)
>>> kernel
array([[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1]], dtype=uint8)可能你想到的是上面的十字型的，numby支持你去修改 做一个for循环修改即可，不展示
怎么理解 结构化元素 或者 核 在形态学处理时的作用，它的原理时怎么样的呢？
过程是这样的：
首先得提前申明一点，能够做形态学操作的图像必须是二值化的，也就是图片在 表示上只有0，1 了，
这个时候，你定义一个核，这个核就称为结构化元素；它的定义也只有0，1
让这个核，从你图像的左上角开始滑动，滑完整个图片，
计算过程就是：
如果与核对应的原图像的所有像素值都是 1，那么中心元素就保持原来的像素值，否则就变为零（异或运算）
理解这句话很简单，如果对深度学习的卷积层的处理非常的清楚的话，他们是同一个操作
以 腐蚀操作为例：（做 与运算 ）
//图像腐蚀
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)核的区域 滑动到原图像 此时区域的中间元素，会被重置为0，或者1；
再来理解因为图像已经是二值化的了，前景区域此时基本都是1，背景基本都是0；
但是 前景区域1附近可能会有一些噪声，形态学操作就是干掉这些，
通过滑动，可以让前景图像，也就是二值化的白色区域变得更干净
作用总结就是：
根据卷积核的大小靠近前景的所有像素都会被腐蚀 掉(变为 0)，所以前景物体会变小，整幅图像的白色区域会减少。这对于去除 白噪声很有用，也可以用来断开两个连在一块的物体等、
腐蚀让图像缩小了，怎么办，接下来可以继续用核，让这个图像变大，
这也就是经常看到的先腐蚀，再膨胀
膨胀的原理（做 或运算）
# 图像膨胀
kernel = np.ones((5,5),np.uint8)
erosion = cv2.dilate(gass_img,kernel,iterations=1)与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是 1，中心元 素的像素值就是 1
膨胀带来的结果有一点需要注意：
在腐蚀的时候本来将两个图像进行了分离，膨胀可能会让两个图像再次连接在一起了