openCV实战-系列教程3:形态学操作(腐蚀操作/膨胀操作/开运算/闭运算/梯度计算/礼帽和黑帽)、源码解读

1、腐蚀操作

1.1 腐蚀

首先读进来并打印一张图

python 复制代码
img = cv2.imread('yzy.jpg')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这个图片出现了一些毛刺,看着挺难受

执行一个腐蚀操作,再将图片打印出来:

python 复制代码
kernel = np.ones((3,3),np.uint8) 
erosion = cv2.erode(img,kernel,iterations = 1)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

毛刺全部没有了

1.2 腐蚀原理

再读进来一个圆形的图片

python 复制代码
pie = cv2.imread('pie.png')

cv2.imshow('pie', pie)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

在这个过程可以比较容易理解到腐蚀的原理,比如我们指定了一个(3,3)的卷积核kernel,他会将一个像素和周围的8个像素进行计算,如果是在这个图中,在黑色部分和白色部分的计算结果都会是不变的,因为卷积核内的所有像素都一样,而在黑白交界出的计算肯定会使得白色变黑了。

所以经过erode函数进行腐蚀操作,这个白色圈的外圈就会被腐蚀一部分,可以进行多次腐蚀操作:

python 复制代码
kernel = np.ones((30,30),np.uint8) 
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()

多次腐蚀的图片变化:

其中这个iterations就是指的是迭代次数。

2、膨胀操作

读进来前面的图片,进行腐蚀操作,腐蚀后的图像的毛刺没有了,但是线条也没有原来粗了。

使用dilate函数进行膨胀操作,并且将结果打印出来:

python 复制代码
kernel = np.ones((3,3),np.uint8) 
yzy_erosion = cv2.erode(img,kernel,iterations = 1)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

膨胀后得结果,线条又变粗了。

将白色圆的图片进行两次膨胀:

python 复制代码
pie = cv2.imread('pie.png')

kernel = np.ones((30,30),np.uint8) 
dilate_1 = cv2.dilate(pie,kernel,iterations = 1)
dilate_2 = cv2.dilate(pie,kernel,iterations = 2)
dilate_3 = cv2.dilate(pie,kernel,iterations = 3)
res = np.hstack((dilate_1,dilate_2,dilate_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

3、开运算与闭运算

开运算就是把腐蚀、膨胀结合在一起

开运算:先腐蚀,再膨胀

闭运算: 先膨胀,再腐蚀

开运算:

morphologyEx函数,cv2.MORPH_OPEN参数

python 复制代码
# 开:先腐蚀,再膨胀
img = cv2.imread('yzy.jpg')

kernel = np.ones((5,5),np.uint8) 
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

闭运算:

morphologyEx函数,cv2.MORPH_CLOSE参数

python 复制代码
# 闭:先膨胀,再腐蚀
img = cv2.imread('yzy.jpg')

kernel = np.ones((5,5),np.uint8) 
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

4、梯度运算

梯度运算 = 膨胀-腐蚀

对刚刚的圆形图,先进行5次膨胀,然后进行5次腐蚀:

python 复制代码
# 梯度=膨胀-腐蚀
pie = cv2.imread('pie.png')
kernel = np.ones((7,7),np.uint8) 
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)

res = np.hstack((dilate,erosion))

cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

这两个图片再进行减法操作,现在我们肉眼应该能够判断出,这个结果应该是什么样子了,这就是梯度运算了。

直接对白色圆形图进行梯度运算操作:

python 复制代码
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

5、礼帽与黑帽

礼帽:原始图-开运算

黑帽:闭运算-原始图

礼帽

前面提到yzy.jpg这张图,原始图包含了一些毛刺,腐蚀后就没了毛刺,腐蚀再膨胀几乎就是原始图去掉了毛刺,这就是开运算操作,原始图再减去开运算的记过那不就只剩下原始图的那些毛刺了吗?

morphologyEx函数,cv2.MORPH_TOPHAT参数

python 复制代码
#礼帽
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

黑帽

morphologyEx函数,cv2.MORPH_BLACKHAT参数

python 复制代码
#黑帽
img = cv2.imread('yzy.jpg')
blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

相关推荐
海绵波波10713 小时前
opencv、torch、torchvision、tensorflow的区别
人工智能·opencv·tensorflow
千宇宙航14 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第二十一课——高斯下采样后图像还原的FPGA实现
图像处理·计算机视觉·fpga开发
蜉蝣之翼❉17 小时前
Amplitude Modulated (AM) Digital Halftoning
计算机视觉
顾随18 小时前
(三)OpenCV——图像形态学
图像处理·人工智能·python·opencv·计算机视觉
格林威1 天前
Baumer工业相机堡盟工业相机如何通过YoloV8模型实现人物识别(C#)
开发语言·人工智能·数码相机·yolo·计算机视觉·c#
Virgil1391 天前
数据分布是如何影响目标检测精度的
人工智能·深度学习·yolo·目标检测·计算机视觉
CoovallyAIHub1 天前
YOLO11 vs LMWP-YOLO:参数量-52.5%,mAP+22.07%,小型无人机的远距离检测
深度学习·算法·计算机视觉
zhongqu_3dnest1 天前
众趣SDK重磅升级:空间物联IOT新视界,赋能实景三维场景深度应用
人工智能·物联网·计算机视觉·3d·点云处理·点云扫描
jndingxin1 天前
OpenCV直线段检测算法类cv::line_descriptor::LSDDetector
人工智能·opencv·算法
Blossom.1182 天前
深度学习中的注意力机制:原理、应用与实践
人工智能·深度学习·神经网络·机器学习·生成对抗网络·计算机视觉·sklearn