Python常用图像形态学操作详解
作者:有理想的打工人 发布时间:2023-07-27 18:14:51
腐蚀
在一些图像中,会有一些异常的部分,比如这样的毛刺:
对于这样的情况,我们就可以应用复式操作了。需要注意的是,腐蚀操作只能处理二值图像,即像素矩阵的值只有0(黑色)和255(白色)。我们先看看代码和效果:
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
# 腐蚀的代码
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
这张图片已经几乎看不到毛刺了,但与此同时,三个文字也小了一点,这就是腐蚀操作。所谓腐蚀操作,就是我们设置一个n×n的矩阵,这个矩阵可以视为一个卷积核,在原图上进移动。矩阵覆盖住的像素点中,如果有0(黑色),那么该卷积核的中心位置置零,反之,如果该卷积核内全都是255,则不做操作:
注意:我们可以理解成腐蚀操作是完全根据原图生成的新图,而不是在原土上的修改。
接下来我们再看看腐蚀的代码:
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
首先,我们要利用numpy库生成一个n×n大小的全1矩阵kernel作为卷积核,并且需要指定数据类型为无符号8位整数。然后使用erode()函数,其接收的参数分别为图像矩阵,kernel矩阵,以及迭代次数。迭代次数就是腐蚀操作的次数。下面我们用一个圆来查看一下不同迭代次数的腐蚀效果:
import cv2
import numpy as np
kernel = np.ones((30,30),np.uint8)
pie = cv2.imread('pie.png')
# 观察不同的迭代次数
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
膨胀
腐蚀操作可以腐蚀掉二值图像的边缘,因此可以消除掉一些图片上的毛刺,但是损失一些原图相中有效的部分也是在所难免的。膨胀其实就是腐蚀操作的反面。“卷积核”包裹住的像素中有255,则这个卷积核中心位置会置为255,否则不变。因此,膨胀操作会把原本的图像范围进行扩大:
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 膨胀操作
dige_dilate = cv2.dilate(img,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
可以看到,膨胀操作后,图像的范围变大了一圈,就连毛刺也都扩大了。膨胀操作通常会配合腐蚀操作一起使用的,先腐蚀在膨胀,可以在保持图片中有效内容大小大体不变的情况下去除掉毛刺:
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 腐蚀
erosion = cv2.erode(img,kernel,iterations = 1) # 对原图像进行腐蚀
# 膨胀
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1) # 对腐蚀后图像进行膨胀
cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
其原理和参数意义与腐蚀操作类似,在此不做过多讲解。
开运算与闭运算
开运算与闭运算都是应用腐蚀与膨胀操作来处理原图像的。区别在于开运算是先腐蚀在膨胀,闭运算是先膨胀再腐蚀。这两个操作需要用到的函数都是morphologyEx(),只需要调整参数即可完成两种不同的操作。
开运算
执行开运算的函数是:
cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
kernel依然是n×n的矩阵,cv2.MORPH_OPEN指定了执行运算为开运算:
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果为:
闭运算
和开运算基本相同,只需要把morphologyEx()函数的第二个参数改为cv2.MORPH_CLOSE即可:
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()
很明显,先膨胀再腐蚀和原图并没有什么区别,仅仅是比原图大了一圈,因此闭运算也没有开运算应用广泛。
梯度运算
梯度运算本质是膨胀-腐蚀。从这个定义中不难发现,梯度就是原图的边缘部分。获取梯度依然要用到morphologyEx()函数,将第二个参数改为cv2.MORPH_GRADIENT即可:
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 先用开运算把毛刺去掉:
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()
得到的结果就是下面这样:
礼帽与黑帽
礼帽和黑帽都是翻译的结果,因此我们不能望文生义。礼貌操作就是原始图像-开运算结果,黑帽操作是闭运算-原始输入。依然是用morphologyEx()函数,通过修改第二个参数完成。
礼帽
礼帽操作需要用到的参数是cv2.MORPH_TOPHAT。由礼帽操作的定义可以直到,礼帽操作可以得到图片中的“毛刺”部分:
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 礼帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
得到的结果为:
黑帽
黑帽操作需要用到的参数是cv2.MORPH_BLACKHAT,黑帽运算会输出执行闭运算后的图像比原图大出的一小圈轮廓:
import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((5,5),np.uint8) # kernel矩阵维度大一些会让黑帽操作的结果更明显
# 黑帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
来源:https://blog.csdn.net/weixin_54929649/article/details/126343510
猜你喜欢
- 继上一篇中间表的数据是动态的,图表展示的数据才比较准确。这里用到一个新的模块Djcelery,安装配置步骤如下:1.安装redis==2.1
- Session 对象 可以使用 Session 对象存储特定用户会话所需的信息。这样,当用户在应用程序的 Web 页之间跳转时,存储在 Se
- A.截取从字符串左边开始N个字符 Declare @S1 varchar(100) Select @S1='http://www.x
- 由于分形树具有对称性,自相似性,所以我们可以用递归来完成绘制。只要确定开始树枝长、每层树枝的减短长度和树枝分叉的角度,我们就可以把分形树画出
- vbscript脚本中,fso对象CreateTextFile方法调用时可能会报“无效的过程调用或参数”错误,在使用ASP生成静态页面时,如
- Microsoft? SQL Server? 2000 提供了两种主要机制来强制业务规则和数据完整性:约束和触发器。触发器是一种特殊类型的存
- 1、官网下载地址在官网找到你想安装的版本 官网地址:https://www.python.org/并且选择下载windows版本目前最新的版
- 在小编学习python中的模拟点击之前,我们想要对某一项操作进行自动指令的重复,可以选择大家熟知的按键精灵。那么对比python的模拟点击,
- wheel文件Wheel和Egg都是python的打包格式,目的是支持不需要编译或制作的安装过程,实际上也是一种压缩文件,将.whl的后缀改
- 1.去官网下载PyGame 注意:要下载对应版本的包 官网地址:http://www.pyg
- 用Pyinstaller封装一个py文件时,过程没有问题,但打开后会出现闪退的现象。因此上网找,找到了上面网址所示的解决方法。也就是用cmd
- 引言:闲来想到冒泡排序中的列表数据的排序,就想试试用随机数生成一个列表来排序试试,于是做了一下实验,本人实在是属于入门阶段,研究了一下终究还
- “用户体验”作为舶来品在国内风靡已经有几个年头了,而且从目前情况来看仍旧会继续风靡一段时间。当某产品发布会上,发言人张口闭口就
- 当你提交一个查询的时候,MySQL会分析它,看是否可以做一些优化使处理该查询的速度更快。这一部分将介绍查询优化器是如何工作的。如果你想知道M
- 一·逻辑运算符优先级:not>and>or符号名称描述and逻辑与运算当and的两边同时满足条件时,结果为
- 二维正态分布采样后,绘制置信椭圆假设二维正态分布表示为:下图为两个二维高斯分布采样后的置信椭圆和每个二维高斯分布采样100个数据点,图片为:
- 本文实例讲述了Python基于TCP实现会聊天的小机器人功能。分享给大家供大家参考,具体如下:一 代码1、服务端程序import socke
- 图像素描特效图像素描特效主要经过以下几个步骤:调用cv.cvtColor()函数将彩 * 像灰度化处理;通过cv.GaussianBlur()
- 本文实例讲述了python多线程使用方法。分享给大家供大家参考,具体如下:threading 模块支持守护线程, 其工作方式是:守护线程一般
- 前言在做数据报表时,需要对某一时间段分组,以1小时为时间间隔统计各项数据,如9点-10点,10点-11点…,但是现在有种情况,时间有可能不是