中国最大的网站制作公司,免费下载模板ppt,石家庄+外贸网站建设公司,中国电力建设集团公司网站前置
形态学主要是从图像中提取分量信息#xff0c;该分量信息通常是图像理解时所使用的最本质的形状特征,对于表达和描绘图像的形状有重要意义。
大体就是通过一系列操作让图像信息中的关键信息更加凸出。同时#xff0c;形态学的操作都是基于灰度图进行。
相关操作最主要…前置
形态学主要是从图像中提取分量信息该分量信息通常是图像理解时所使用的最本质的形状特征,对于表达和描绘图像的形状有重要意义。
大体就是通过一系列操作让图像信息中的关键信息更加凸出。同时形态学的操作都是基于灰度图进行。
相关操作最主要的2种操作为腐蚀/膨胀后面又延伸了综合操作-开运算/闭运算/形态学梯度/礼帽/黑帽等等。
腐蚀
腐蚀是最基本的形态学操作之一能够去除图像的边界点,使图像沿着边界向内收缩对于小于指定结构元的部分会去除。
所以通过腐蚀可以达到去除一些外部噪音、元素分割等功能。
腐蚀原理说明 :
结构元 : 就是拥有一个中心位置并且有一定范围的结构说白了就是一个二维数组。
扫描图像中的每一个像素点,结构元和扫描点重合用结构元元素与覆盖的二值图做与运算都为1则图像的像素值不变,否则改为0。
图示如下: a图为原图b图为结构元当扫描到第2行由于第一行存在2/3/4列的数据为0所以经过腐蚀后第2行的2/3/4列的1都变成了0同理第4行。
扫描到第三行的2/3/4列时由于都是1第3行的2/3/4列分别不变最终结果如d图所示。
函数语法说明: dst cv2.erode( srckernelanchoriterationsborderTypeborderValue)
kernel : 腐蚀时使用的结构体可以自己生成也可以通过cv2.getStructuringElement()生成就是个二维数组空间anchor : 锚点位置,默认为(-1,-1)在核的中心位置iterations : 腐蚀操作迭代次数,默认为1只进行1次腐蚀操作borderType : 边界处理方式一般采用默认BORDER_CONSTANTborderValue : 边界填充值一般采用默认值
所以经常简化为 dst cv2.erode( src kernel )
程序实例如下:
import cv2 as cv
import numpy as nporigin cv.imread(erode.bmp)
# 使用了一个3*3的结构元,结构元面积越大,腐蚀的越厉害,结果图就越小
kernel_3 np.ones((3, 3), np.uint8)# 不大明显,但有些触角已经变短了
erode_3 cv.erode(origin, kernel_3)
# 反复刷了三次,图像进一步腐蚀减小边角已经腐蚀掉了
erode_3_3 cv.erode(origin, kernel_3, iterations3)cv.imshow(origin, origin)
cv.imshow(erode_3, erode_3)
cv.imshow(erode_3_3, erode_3_3)cv.waitKey()
cv.destroyAllWindows()
运行结果如下: 膨胀 膨胀操作同样是形态学的一种基本操作膨胀和腐蚀的作用是相反的,膨胀操作能对边界进行扩张。膨胀操作可以将较近的2个对象连通在一起也有利于填补
图片分割后图像内的空白处。
膨胀原理说明:
使用结构元扫描图像中的每一个像素点结构元和扫描点重合用结构元元素与覆盖的二值图做与运算都为0则图像的像素值为0否则改为1这样图片边缘位置就会紧跟结构元进行扩张。
函数语法说明: dst cv2.dilate( src kernelanchoriterationsborderTypeborderValue)
函数参数与腐蚀参数完全一致不做过多解释。方法可以简化为 dst cv2.dilate( srckernel )
程序实例如下:
import cv2 as cv
import numpy as nporigin cv.imread(dilation.png)
# 使用了一个3*3的结构元,结构元面积越大,膨胀的越厉害,结果图就越大
kernel np.ones((3, 3), np.uint8)
erode_3 cv.dilate(origin, kernel)
# 连续膨胀3次
erode_3_3 cv.dilate(origin, kernel, iterations9)
cv.imshow(origin, origin)
cv.imshow(dilation_3, erode_3)
cv.imshow(dilation_3_3, erode_3_3)cv.waitKey()
cv.destroyAllWindows()
运行如下: 开运算
开运算是先进行腐蚀操作后再进行膨胀操作。进行腐蚀操作可以把图像中目标外的噪声去掉膨胀后再恢复目标的大小。
函数语法说明: dst cv2.morphologyEx( srccv2.MORPH_OPENkernel)
srcdst分别是原始图像和处理后的结果图像
cv2.MORPH_OPEN : 做开运算的标识
kernel : 运算使用的结构元
程序如下:
import cv2 as cv
import numpy as nporigin cv.imread(open_pic.png, 0)
kernel np.ones((5, 5), np.uint8)
open_pic cv.morphologyEx(origin, cv.MORPH_OPEN, kernel) # 开运算
cv.imshow(origin, origin)
cv.imshow(open, open_pic)cv.waitKey()
cv.destroyAllWindows()
运行如下: 闭运算
闭运算是先进行膨胀操作后再进行腐蚀操作。主要针对情景为图像中关键信息内部有小洞膨胀操作会填充小洞。
函数语法说明: dst cv2.morphologyEx( srccv2.MORPH_CLOSEkernel)
闭运算和开运算使用一样的函数仅通过标识不同来实现不同操作。
cv2.MORPH_OPEN : 做闭运算的标识
程序如下:
import cv2 as cv
import numpy as nporigin cv.imread(close_pic.png, 0)
kernel np.ones((5, 5), np.uint8)
open_pic cv.morphologyEx(origin, cv.MORPH_CLOSE, kernel) # 闭运算
cv.imshow(origin, origin)
cv.imshow(open, open_pic)cv.waitKey()
cv.destroyAllWindows()
运行结果如下 形态学梯度
其实就是一副图像膨胀和腐蚀的差别,看起来就是前景物体的轮廓。
函数语法说明:dst cv2.morphologyEx( srccv2.MORPH_GRADIENTkernel)
函数同开闭运算一样只有样式不一样。
cv2.MORPH_GRADIENT : 形态学梯度的关键字
程序如下:
import cv2 as cv
import numpy as nporigin cv.imread(abcdefg.png)
kernel np.ones((5, 5), np.uint8)
open_pic cv.morphologyEx(origin, cv.MORPH_GRADIENT, kernel) # 形态学梯度
cv.imshow(origin, origin)
cv.imshow(gradient, open_pic)cv.waitKey()
cv.destroyAllWindows()
效果图如下: 礼帽
开运算是先腐蚀再膨胀,会消除图像中的噪声而礼帽是原始图片与进行开运算后的得到的图像的差也就是消除掉的噪声。
函数语法说明: dst cv2.morphologyEx( srccv2.MORPH_TOPHATkernel)
import cv2 as cv
import numpy as nporigin cv.imread(open_pic.png)
kernel np.ones((5, 5), np.uint8)
open_pic cv.morphologyEx(origin, cv.MORPH_TOPHAT, kernel) # 礼帽
cv.imshow(origin, origin)
cv.imshow(tophat, open_pic)cv.waitKey()
cv.destroyAllWindows()
运行如下: 黑帽
闭运算是先膨胀再腐蚀具有填充内部小洞的功能而黑帽是进行闭运算得到的图片与原始图像的差所以显示的是之前补上的小洞图片。
函数语法说明: dst cv2.morphologyEx( srccv2.MORPH_BLACKHATkernel)
程序如下:
import cv2 as cv
import numpy as nporigin cv.imread(close_pic.png)
kernel np.ones((5, 5), np.uint8)
open_pic cv.morphologyEx(origin, cv.MORPH_BLACKHAT, kernel) # 黑帽
cv.imshow(origin, origin)
cv.imshow(blackhat, open_pic)cv.waitKey()
cv.destroyAllWindows()
运行如下:
