建设监理收录网站,搜索引擎推广方法,如何修改wordpress登录页,360云主机永久免费吗文章结构 腐蚀膨胀开运算闭运算形态学方法梯度运算顶帽运算黑帽运算 腐蚀
腐蚀操作可以让图像沿着自己的边界向内收缩。OpenCV通过”核“来实现收缩计算。“核”在形态学中可以理解为”由n个像素组成的像素块“#xff0c;像素块包含一个核心#xff08;通常在中央位置… 文章结构 腐蚀膨胀开运算闭运算形态学方法梯度运算顶帽运算黑帽运算 腐蚀
腐蚀操作可以让图像沿着自己的边界向内收缩。OpenCV通过”核“来实现收缩计算。“核”在形态学中可以理解为”由n个像素组成的像素块“像素块包含一个核心通常在中央位置也可以定义在其他位置。像素块会在图像的边缘移动在移动过程中核会将图像边缘那些与核重合但又没有越过核心的像素点都抹除效果如下 OpenCV将腐蚀操作封装成了erode()方法
dst ccv2.erode(src, kernel, anchor, iterations, borderType, borderValue)src 原始图像kernel 腐蚀使用的核anchor可选核的锚点位置iteration可选腐蚀操作的迭代次数默认值为1borderType可选边界样式建议默认borderValue可选边界值建议默认dst 经过腐蚀之后的图像
在OpenCV做腐蚀或其他形态学操作时通常使用NumPy模块来创建核数组例如
import numpy as np
k np.ones((5,5), np.uint8)这两行代码创建了一个数组可以当作erode()方法的核参数。除了5×5的结构还可以使用3×3、9×9等其他结构行列数越大计算出来的效果就越粗糙行列数越小计算出的效果就越精细。 实例1 将仙人球图像中的刺都抹除掉 import cv2
import numpy as np
img cv2.imread(cactus.jpg) # 读取原图
k np.ones((3, 3), np.uint8) # 创建3*3的数组作为核
cv2.imshow(img, img) # 显示原图
dst cv2.erode(img, k) # 腐蚀操作
cv2.imshow(dst, dst) # 显示腐蚀效果
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 释放所有窗体结果如下 如果是11等于没削如果是55直接削皮了。
膨胀
膨胀操作与腐蚀操作正好相反膨胀操作可以让图像沿着自己的边界向外扩张。同样是通过核计算当核在图像的边缘移动时核会将图像边缘填补新的像素效果如下
dst cv2.dilate(src, kernel, anchor, iterations, borderType, borderValue)src 原始图像kernel 膨胀使用的核iteration可选膨胀操作的迭代次数默认值为1borderType可选边界样式建议默认borderValue可选边界值建议默认dst 经过膨胀之后的图像 实例2 将图像加工成”近视眼“效果 import cv2
import numpy as np
img cv2.imread(sunset.jpg) # 读取原图
k np.ones((9, 9), np.uint8) # 创建9*9的数组作为核
cv2.imshow(img, img) # 显示原图
dst cv2.dilate(img, k) # 膨胀操作
cv2.imshow(dst, dst) # 显示膨胀效果
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 释放所有窗体结果如下
开运算
开运算就是先将图像进行腐蚀操作再进行膨胀操作。开运算可以用来抹除图像外部的细节或者噪声
例如图 7.13 是一个简单的二叉树父子节点之间都有线连接。如果对此图像进行腐蚀操作可以得出如图 7.14 所示的图像连接线消失了节点也比原图节点小一圈。此时再执行膨胀操作让缩小的节点膨胀回原来的大小就得出了如图 7.15 所示的效果。 这三张图就是开运算的过程从结果可以明显地看出: 经过开运算之后二叉树中的连接线消失了只剩下光秃秃的节点。因为连接线被核当成“细节”抹除了所以利用检测轮廓的方法就可以统计出二叉树节点数量也就是说在某些情况下开运算的结果还可以用来做数量统计。 实例3 抹除黑种草图像中的针状叶子 import cv2
import numpy as np
img cv2.imread(nigella.png) # 读取原图
k np.ones((5, 5), np.uint8) # 创建5*5的数组作为核
cv2.imshow(img, img) # 显示原图
dst cv2.erode(img, k) # 腐蚀操作
dst cv2.dilate(dst, k) # 膨胀操作
cv2.imshow(dst, dst) # 显示开运算结果
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 释放所有窗体结果如下
闭运算
闭运算就是将图像先进行膨胀操作再进行腐蚀操作。闭运算可以抹除图像内部的细节或者噪声。
例如图 7.19 是一个身上布满斑点的小蜘蛛这些斑点就是图像的内部细节。先将图像进行膨胀操作小蜘蛛身上的斑点 (包括小眼睛)就被抹除掉效果如图 7.20 所示。然后再将图像进行腐蚀操作让膨胀的小蜘蛛缩回原来的大小效果如图 7.21 所示。 闭运算除了会抹除图像内部的细节还会让一些里的较近的区域合并成一块区域。
形态学方法
OpenCV提供了一个morphologyEx()形态学方法包含了所有常用的运算。
dst cv2.morphologyEx(src, op, kernel, anchor, iterations, borderType, borderValue)src 原始图像op 操作类型
参数值含义cv2.MORPH_ERODE腐蚀操作cv2.MORPH_DILATE膨胀操作cv2.MORPH_OPEN开运算先腐蚀后膨胀cv2.MORPH_CLOSE闭运算先膨胀后腐蚀cv2.MORPH_GRADIENT梯度运算膨胀图减腐蚀图可以得出简易的轮廓cv2.MORPH_TOPHAT顶帽运算原始图像减开运算图像cv2.MORPH_BLACKHAT黑帽运算闭运算图像减原始图像
kernel 操作过程中所使用的核anchor可选核的锚点位置iteration可选操作的迭代次数默认值为1borderType可选边界样式建议默认borderValue可选边界值建议默认dst 操作之后得到的图像
梯度运算
这里的梯度指的是图像梯度可以简单地理解为像素的变化程度。几个连续的像素其像素值跨度越大则梯度值越大。
梯度运算就是让原图的膨胀图像减去原图的腐蚀图像。因为膨胀图比原图大腐蚀图像比原图小利用腐蚀图像将膨胀图像掏空就得到了原图的 轮廓图像大概并不精准。 实例4 通过梯度运算画出小蜘蛛的轮廓 import cv2
import numpy as np
img cv2.imread(spider.png) # 读取原图
k np.ones((5,5), np.uint8) # 创建5*5的数组作为核
cv2.imshow(img, img) # 显示原图
dst cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k) # 进行梯度运算
cv2.imshow(dst, dst) # 显示梯度运算结果
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 释放所有窗体结果如下 顶帽运算
顶帽运算就是让原图减去原图的开运算图像得到图像的外部细节。 实例5 通过顶帽运算画出小蜘蛛的腿 import cv2
import numpy as np
img cv2.imread(spider.png) # 读取原图
k np.ones((5, 5), np.uint8) # 创建5*5的数组作为核
cv2.imshow(img, img) # 显示原图
dst cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k) # 进行顶帽运算
cv2.imshow(dst, dst) # 显示顶帽运算结果
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 释放所有窗体结果如下 黑帽运算
黑帽运算就是让原图的闭运算图像减去原图得到原图像的内部细节。 实例6 通过黑帽运算画出小蜘蛛身上的花纹 import cv2
import numpy as np
img cv2.imread(spider2.png) # 读取原图
k np.ones((5, 5), np.uint8) # 创建5*5的数组作为核
cv2.imshow(img, img) # 显示原图
dst cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k) # 进行黑帽运算
cv2.imshow(dst, dst) # 显示黑帽运算结果
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 释放所有窗体结果如下
