十九、图像的形态学操作

一、图像形态学

图像形态学是图像处理学科的一个单独分支学科
主要针对的是灰度图和二值图像
是由数学的集合论以及数学中的拓扑几何原理发展而来
在这里插入图片描述

二、膨胀操作（dilate）

3×3的卷积核
在这里插入图片描述
在这里插入图片描述
以3×3为卷积核从左往右(从上往下)开始运行，若这卷积核内存在1，则用1替代中心元素。
最大值取代中心像素
白变多，黑变少

膨胀的作用：

对象大小增加一个像素(3×3)
平滑对象边缘
减少或者填充对象之间的距离

二值图

import cv2 as cv
import numpy as npdef dilate(image):print(image.shape)gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)cv.imshow("binary", binary)kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))dst = cv.dilate(binary, kernel)cv.imshow("dilate", dst)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\number.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
dilate(src)cv.waitKey(0)
cv.destroyAllWindows()

效果图如下：在这里插入图片描述
在这里插入图片描述
·彩色图·

import cv2 as cv
import numpy as npsrc = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\l.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
dst = cv.dilate(src, kernel)
cv.imshow("result", dst)cv.waitKey(0)
cv.destroyAllWindows()

效果图如下：
在这里插入图片描述

三、腐蚀操作（erode）

3×3的卷积核
在这里插入图片描述
在这里插入图片描述
以3×3为卷积核从左往右(从上往下)开始运行，若这卷积核内存在0，则用0替代中心元素。
最小值取代中心像素
黑变多，白变少

二值图

import cv2 as cv
import numpy as npdef erode(image):print(image.shape)gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)#图像二值化cv.imshow("binary", binary)kernel = cv.getStructuringElement(cv.MORPH_RECT, (15, 15))dst = cv.erode(binary, kernel)cv.imshow("erode", dst)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\number.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
erode_demo(src)cv.waitKey(0)
cv.destroyAllWindows()

效果图如下：在这里插入图片描述

在这里插入图片描述
彩色图

import cv2 as cv
import numpy as npsrc = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\l.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
dst = cv.erode(src, kernel)
cv.imshow("erode", dst)cv.waitKey(0)
cv.destroyAllWindows()

效果图如下：
在这里插入图片描述
腐蚀和膨胀针对彩色图像和二值图像

总结：膨胀---白变多黑变少、腐蚀---黑变多白变少

四、开操作（open）

开操作=腐蚀+膨胀
可以消除图像中小的干扰区域
cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)，若出现反转可以将参数设置为cv.THRESH_BINARY_INV

import cv2 as cv
import numpy as npdef open(image):print(image.shape)gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)cv.imshow("binary", binary)kernel = cv.getStructuringElement(cv.MORPH_ELLIPSE, (5, 5))binary = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)cv.imshow("open-result", binary)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\test.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
open(src)cv.waitKey(0)
cv.destroyAllWindows()

效果图如下：在这里插入图片描述
在这里插入图片描述

五、闭操作（close）

闭操作=膨胀+腐蚀
填充小的封闭区域

import cv2 as cv
import numpy as npdef close(image):print(image.shape)gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)cv.imshow("binary", binary)kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))binary = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel)cv.imshow("close_demo", binary)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\test1.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
close(src)cv.waitKey(0)
cv.destroyAllWindows()

效果图如下：在这里插入图片描述
在这里插入图片描述
开闭操作只针对二值图像
总结：开操作消除白点，闭操作消除黑点

六、顶帽（tophat）

原图像与开操作的差值图像

彩色图像

import cv2 as cv
import numpy as npdef tophat(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)kernel = cv.getStructuringElement(cv.MORPH_RECT, (15, 15))dst = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel)"""若图片不够亮可以对图像进行整体增加亮度cimage = np.array(gray.shape, np.uint8)cimage = 120;dst = cv.add(dst, cimage)"""cv.imshow("tophat", dst)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\l.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
tophat(src)
cv.waitKey(0)cv.destroyAllWindows()

效果图如下：
在这里插入图片描述
二值图像

import cv2 as cv
import numpy as npdef tophat_binary(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))dst = cv.morphologyEx(binary, cv.MORPH_TOPHAT, kernel)cv.imshow("tophat_binary", dst)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\test.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
tophat_binary(src)
cv.waitKey(0)cv.destroyAllWindows()

效果图如下：
在这里插入图片描述

七、黑帽（blackhat）

闭操作与原图像的差值图像
彩色图像

import cv2 as cv
import numpy as npdef blackhat(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)kernel = cv.getStructuringElement(cv.MORPH_RECT, (15, 15))dst = cv.morphologyEx(gray, cv.MORPH_BLACKHAT, kernel)"""若图片不够亮可以对图像进行整体增加亮度cimage = np.array(gray.shape, np.uint8)cimage = 120;dst = cv.add(dst, cimage)"""cv.imshow("blackhat", dst)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\l.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
blackhat(src)
cv.waitKey(0)cv.destroyAllWindows()

效果图如下：
在这里插入图片描述
二值图像

import cv2 as cv
import numpy as npdef blackhat_binary(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))dst = cv.morphologyEx(binary, cv.MORPH_BLACKHAT, kernel)cv.imshow("blackhat_binary", dst)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\test.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
blackhat_binary(src)
cv.waitKey(0)cv.destroyAllWindows()

效果图如下：
在这里插入图片描述

八、形态学梯度（Gradient）

基本梯度：膨胀后的图像减去腐蚀后的图像得到的差值图像
内部梯度：原图像减去腐蚀之后的图像得到的差值图像
外部梯度：图像膨胀之后减去原来的图像得到的差值图像

基本梯度

import cv2 as cv
import numpy as npdef base_gradient(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))dst = cv.morphologyEx(binary, cv.MORPH_GRADIENT, kernel)cv.imshow("base_gradient", dst)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\test.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
base_gradient(src)cv.waitKey(0)
cv.destroyAllWindows()

效果图如下：
在这里插入图片描述
内梯度和外梯度

import cv2 as cv
import numpy as npdef ex_in_gradient(image):kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))dm = cv.dilate(image, kernel)em = cv.erode(image, kernel)dst1 = cv.subtract(image, em) # internal gradientdst2 = cv.subtract(dm, image) # external gradientcv.imshow("internal", dst1)cv.imshow("external", dst2)src = cv2.imread(r"G:\Juptyer_workspace\study\opencv\opencv3\test.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
ex_in_gradient(src)cv.waitKey(0)
cv.destroyAllWindows()

效果图如下：
在这里插入图片描述

以上代码中，想要获取不同的需求只需要修改这个获取结构元素的方法中的参数即可cv.getStructuringElement(cv.MORPH_RECT, (15, 15))

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/377962.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

X名称空间(WPF)

X名称空间(WPF)

笔记简述 闲话x名称空间简要x名称空间的Attributex名称空间的标签扩展x名称空间的XAML指令元素闲话 本笔记参考与《深入浅出WPF》、MSDN、Some Blog… MSDN的飞机票点这里。 x名称空间简要 在VS中新建个WpfApplication都会自动生成xmlns:x"http://schemas.microsoft.com/w…
阅读更多...
leetcode 106. 从中序与后序遍历序列构造二叉树 105. 从前序与中序遍历序列构造二叉树思考分析

leetcode 106. 从中序与后序遍历序列构造二叉树 105. 从前序与中序遍历序列构造二叉树思考分析

目录1、106题目2、参考思路：递归切割数组3、105题目4、同样思路的代码1、106题目 2、参考思路：递归切割数组 代码参考：公众号：代码随想录 后序数组中序数组 以 后序数组(左右中)的最后一个元素作为切割点，先切中序数组…
阅读更多...
二十、分水岭算法

二十、分水岭算法

一、基本原理 分水岭算法主要是基于距离变换（distance transform），找到mark一些种子点，从这些种子点出发根据像素梯度变化进行寻找边缘并标记 分水岭：可以简单的理解成一座山，然后来洪水了，水开…
阅读更多...
【C++grammar】C++类数据成员的初始化

【C++grammar】C++类数据成员的初始化

目录1、类成员的就地初始化example2、构造函数初始化3、默认构造函数：Default Constructor4、举例5、成员的初始化方法的优先级1、类成员的就地初始化example class S { int m 7; // ok, copy-initializes m int n(7); // 错误：不允许用小括号初始化…
阅读更多...
二十一、人脸检测

二十一、人脸检测

一、识别图像中的人脸 haarcascade_frontalface_alt_tree.xml lbpcascade_frontalcatface.xml GitHub上有Haar级联检测器源代码可自行下载，lbp级联检测器也一样有源码可自行下载 也一样 import cv2 as cv import numpy as npdef face_detect(image):gray cv.cvtC…
阅读更多...
javascript运算符_JavaScript中的按位运算符

javascript运算符_JavaScript中的按位运算符

javascript运算符JavaScript按位运算符 (JavaScript Bitwise Operators) A lot of times you come across some strange operators where youre knocking your head to understand what is going on in the code. Almost all the programming languages have bitwise operators…
阅读更多...
[置顶] Android的IPC访问控制设计与实现

[置顶] Android的IPC访问控制设计与实现

3.3.1 IPC钩子函数设计与实现 IPC Binder是Android最重要的进程间通信机制，因此，必须在此实施强制访问控制。 1. 修改secuirty.h 打开终端shell，输入指令“cd /android4.0/kernel/goldfish/include/linux/vim security.h”，找到结…
阅读更多...
TensorFlow在Anaconda环境下创建

TensorFlow在Anaconda环境下创建

一、我使用的是Anaconda自带的Jupyter编译器，详细的安装教程可以参考博文 二、之后打开Jupyter 三、进行测试 我的tensorflow使用的是2.0版本 import tensorflow.compat.v1 as tf tf.disable_v2_behavior()a tf.constant([1.0,2.0],name"a") b tf.co…
阅读更多...
leetcode 654. 构造最大二叉树 思考分析

leetcode 654. 构造最大二叉树 思考分析

题目 给定一个不含重复元素的整数数组。一个以此数组构建的最大二叉树定义如下： 二叉树的根是数组中的最大元素。 左子树是通过数组中最大值左边部分构造出的最大二叉树。 右子树是通过数组中最大值右边部分构造出的最大二叉树。 通过给定的数组构建最大二叉树&am…
阅读更多...
Pycharm更换anaconda环境空间

Pycharm更换anaconda环境空间

一、File—>Settings 或者直接快捷键 CtrlAltS 二、找到自己的项目—>Project Interpreter—>找到需要使用的anaconda环境空间 三、Add Local 四、G:\Anaconda3\envs\mask_rcnn\python.exe一般anaconda的envs文件夹下，找到你的环境空间名称，…
阅读更多...
android 应用demo截图

android 应用demo截图

ksoap2实现天气预报 Frame 动画 baidu map 转载于:https://www.cnblogs.com/java20130726/archive/2011/11/28/3218328.html
阅读更多...
leetcode 617. 合并二叉树 思考分析

leetcode 617. 合并二叉树 思考分析

题目 给定两个二叉树，想象当你将它们中的一个覆盖到另一个上时，两个二叉树的一些节点便会重叠。 你需要将他们合并为一个新的二叉树。合并的规则是如果两个节点重叠，那么将他们的值相加作为节点合并后的新值，否则不为 NULL 的节点…
阅读更多...
如何关掉Microsoft Office Click-to-Run服务

如何关掉Microsoft Office Click-to-Run服务

很烦，一开电脑就出现 一、打开任务管理器(CtrlShiftEsc) 服务—>打开服务 二、找到Microsoft Office Click-to-Run Service 右击，选择属性 三、禁用即可
阅读更多...
友盟—安卓巴士【Android开发原创教程大赛】

友盟—安卓巴士【Android开发原创教程大赛】

Android开发原创教程大赛正式拉开序幕了，由国内最专业的移动开发者服务及统计平台-友盟提供丰厚的话费奖品哦，为所有爱写教程的开发者提供的一份奖励。 活动时间：2011年11月29日——2011年12月21日 征集期：2011年…
阅读更多...
leetcode 700. 二叉搜索树中的搜索 思考分析

leetcode 700. 二叉搜索树中的搜索 思考分析

目录题目1、不考虑BST性质，直接递归遍历2、回顾BST性质3、利用BST性质进行遍历4、简单的迭代方法题目 给定二叉搜索树（BST）的根节点和一个值。 你需要在BST中找到节点值等于给定值的节点。 返回以该节点为根的子树。 如果节点不存在&#xf…
阅读更多...
一、环境准备

一、环境准备

一、前提已安装好anaconda 二、打开cmd命令窗口 conda activate激活base环境 conda create -n pytorch python3.6创建一个名称为pytorch的环境空间，其中使用的python版本为3.6 conda env list查看当前都有哪些环境 conda activate pytorch 激活刚安装的环境 pip l…
阅读更多...
LeetCode 98. 验证二叉搜索树 思考分析

LeetCode 98. 验证二叉搜索树 思考分析

题目 给定一个二叉树，判断其是否是一个有效的二叉搜索树。 假设一个二叉搜索树具有如下特征： 节点的左子树只包含小于当前节点的数。 节点的右子树只包含大于当前节点的数。 所有左子树和右子树自身必须也是二叉搜索树。 1、利用BST性质：中序…
阅读更多...
二、VC++环境的安装

二、VC++环境的安装

一、打开PyCharm 在Terminal中激活pytorch环境，conda activate pytorch 安装pycocotools工具，pip install pycocotools 二、报错需安装VC 进入官网 安装完成之后重启电脑 三、再次安装pycocotools 打开Pycharm，安装pycocotools工具&am…
阅读更多...
LeetCode 530. 二叉搜索树的最小绝对差 思考分析

LeetCode 530. 二叉搜索树的最小绝对差 思考分析

目录题目思路1：递归遍历得到result数组(单调递增)，然后对数组进行前后差分，取最小值思路2：不用数组，进行优化思路3、回顾迭代法求解题目 给你一棵所有节点为非负值的二叉搜索树，请你计算树中任意两节点的差…
阅读更多...
一、线性回归

一、线性回归

一、在有监督学习中主要包括两大类问题 分类问题：你去银行贷款借钱，人家银行会不会借给你？当然只有两种答案：会、不会 回归问题：人家银行能借给你多少钱？是一个具体的值 举个例子：假如你去银行…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023