形态学操作—形态学梯度

形态学梯度(Morphological Gradient)是图像形态学处理中的一种操作,它通过对图像的膨胀和腐蚀操作之间的差异来突出图像中的边缘信息。这种操作有助于增强图像中物体的边界,使它们更加突出。

在数学上,形态学梯度的计算可以通过以下方式进行:

设定一个结构元素(通常是一个小的矩形或圆形核),然后对图像进行膨胀和腐蚀操作。形态学梯度被定义为图像的膨胀操作减去腐蚀操作的结果。

形态学梯度的作用是突出图像中物体的边缘或轮廓。当我们对图像中的对象进行分割、边缘检测或特征提取时,形态学梯度可以很有用。它可以帮助定位物体的边界,提取轮廓信息,或者用于图像预处理的步骤之一。

下面是形态学梯度的公式:

形态学梯度: Gradient = Dilation ( f ) − Erosion ( f ) \text{Gradient} = \text{Dilation}(f) - \text{Erosion}(f) Gradient=Dilation(f)−Erosion(f)

其中, Dilation ( f ) \text{Dilation}(f) Dilation(f) 表示对图像 f f f 进行膨胀操作, Erosion ( f ) \text{Erosion}(f) Erosion(f)表示对图像 f f f进行腐蚀操作。

在OpenCV中,可以使用以下代码来实现图像的形态学梯度操作:

python 复制代码
import cv2
import numpy as np

def show_images(image):
    cv2.namedWindow('image',cv2.WINDOW_KEEPRATIO)
    cv2.imshow('image',image)
    cv2.waitKey()
    cv2.destroyAllWindows()

def Morphological_Gradient(image):
    # 定义结构元素(这里使用3x3的矩形核)
    kernel = np.ones((3, 3), np.uint8)
    # 对图像进行膨胀和腐蚀操作
    dilated_image = cv2.dilate(image, kernel, iterations=1)
    eroded_image = cv2.erode(image, kernel, iterations=1)
    # 计算形态学梯度
    gradient = cv2.subtract(dilated_image, eroded_image)
    return gradient

if __name__ == '__main__':
    # 读取图像
    img = cv2.imread('cat-dog.png', flags=0)
    re_img=Morphological_Gradient(img)
    # top_row = np.hstack((img, re_img[0]))
    # bottom_row = np.hstack((re_img[1], re_img[2])) #水平
    # combined_img = np.vstack((img, re_img))# 垂直
    combined_img=np.hstack((img,re_img))
    show_images(combined_img)
相关推荐
databook3 小时前
Manim实现脉冲闪烁特效
后端·python·动效
程序设计实验室4 小时前
2025年了,在 Django 之外,Python Web 框架还能怎么选?
python
飞哥数智坊5 小时前
GPT-5-Codex 发布,Codex 正在取代 Claude
人工智能·ai编程
倔强青铜三5 小时前
苦练Python第46天:文件写入与上下文管理器
人工智能·python·面试
虫无涯6 小时前
Dify Agent + AntV 实战:从 0 到 1 打造数据可视化解决方案
人工智能
Dm_dotnet8 小时前
公益站Agent Router注册送200刀额度竟然是真的
人工智能
算家计算9 小时前
7B参数拿下30个世界第一!Hunyuan-MT-7B本地部署教程:腾讯混元开源业界首个翻译集成模型
人工智能·开源
用户2519162427119 小时前
Python之语言特点
python
机器之心9 小时前
LLM开源2.0大洗牌:60个出局,39个上桌,AI Coding疯魔,TensorFlow已死
人工智能·openai
刘立军9 小时前
使用pyHugeGraph查询HugeGraph图数据
python·graphql