十一、计算机视觉-膨胀操作

文章目录


前言

上节我们学习了腐蚀操作,本节我们讲一下膨胀操作,膨胀和腐蚀实际上是相反的操作。上节我们把云峰这2个字周围没用的像素去掉了,但是云峰这2个字也变细了,如果我们想在变粗一点 我们就可以用膨胀操作,所以腐蚀和膨胀可以配合使用来达到我们要的效果。

有了上节的讲解,本节就不讲太细了,原理和腐蚀都差不多,如果不明白的,可以返回上节在看一下。


提示:以下是本篇文章正文内容,下面案例可供参考

一、什么是膨胀

膨胀操作的主要目的是增加或加强图像中的前景区域。在膨胀操作中,结构元素(也称为卷积核)与图像中的像素进行比较,如果结构元素覆盖的任何一个像素是前景像素(白色像素),则中心像素被置为前景像素;否则,中心像素保持为背景像素(黑色像素)。

膨胀操作的过程是通过结构元素滑动在图像上,与图像中的每个像素进行比较,并根据比较结果更新图像中的像素值。与腐蚀操作类似,膨胀操作也可以应用多次以增强其效果。

二、膨胀操作的实现

1.引入库

代码如下(示例):

python 复制代码
import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 定义结构元素
kernel = np.ones((5,5),np.uint8)

# 执行膨胀操作
dilated_image = cv2.dilate(image, kernel, iterations=1)

# 显示原始图像和膨胀后的图像
cv2.imshow('Original ', image)
cv2.imshow('Dilated', dilated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

主要的方法是dilate,上面的代码和前面的腐蚀差不多,同样也是有卷积核核迭代次数。

三、膨胀的原理

上节我们讲到腐蚀操作我们说:腐蚀操作实际上是方格(卷积核)在图像上滑动,并且方格与重叠的图像区域的每个像素进行逐个比较假设我们方格移动到上方图像的一个杂点上 这个杂点可能包含多个像素,我们方格对这个杂点每个像素都要比较, 方格覆盖其中一个像素 ,方格覆盖的区域有黑色,那当前这个点就会被腐蚀掉。如果方格覆盖范围全是白色,那就不会腐蚀。

而膨胀刚好与之相反,膨胀是当这个方格内如果有白色 那这个像素就变成白色也就是膨胀。

如图:

假如我箭头指向的这个像素是黑色,当我卷积核中心移动到这个像素的时候,检测周围有白色像素,那我箭头的这个点就会变成白色,这样操作下来是不是我的这个区域的白色的杂点就会变得更大了?也就实现了膨胀的操作了。


相关推荐
CoovallyAIHub6 分钟前
计算机视觉遇见手绘图表,如何教会机器理解流程图?
深度学习·算法·计算机视觉
CoovallyAIHub8 分钟前
首个自监督微调Stable Diffusion框架!更清晰、更泛化的单目深度估计(附代码地址)
深度学习·算法·计算机视觉
San308 分钟前
使用 n8n 构建自动化科技新闻速览工作流:从 RSS 到 AI 摘要生成与文件存储
运维·人工智能·机器学习
程序员泥瓦匠13 分钟前
在 GEO / AIO 角度:如何优化 SEO 内容?
人工智能·seo
格林威13 分钟前
常规点光源在工业视觉检测上的应用
大数据·人工智能·数码相机·计算机视觉·视觉检测·制造·视觉光源
技术闲聊DD13 分钟前
深度学习(14)-Pytorch torch 手册
人工智能·pytorch·深度学习
Baihai_IDP17 分钟前
AI 编程热潮下的万字思考 —— 规避风险,善用其利
人工智能·程序员·ai编程
CoovallyAIHub19 分钟前
谷歌量子计算迎来历史性突破!13000倍性能提升,首款可验证算法登上《Nature》封面
深度学习·算法·计算机视觉
无风听海22 分钟前
神经网络之样本方差的无偏估计
人工智能·神经网络·概率论