OpenCV学习笔记(十)——利用腐蚀和膨胀进行梯度计算以及礼帽和黑帽

梯度计算

在OpenCV中,梯度计算是图像处理中的一个基本操作,用于分析图像中像素值的变化速率的方向,其中梯度的方向是函数变化最快的方向,因此在图像中,沿着梯度方向可以找到灰度值变化最大的区域,这通常是图像边缘所在的位置。

在OpenCV中,可以通过腐蚀和膨胀算图像的梯度。由上篇文章中提到膨胀和腐蚀操作可以计算图片的轮廓。

以下面这张图片为例:

现在对于梯度进行计算的代码如下所示:

python 复制代码
import cv2
import matplotlib.pyplot as plt
import numpy as np

img=cv2.imread(r'D:\Photo\3.png')
kernel=np.ones((5,5),np.uint8)
img_erosion=cv2.erode(img,kernel,iterations=1)
img_dilate=cv2.dilate(img,kernel,iterations=1)
img_new=img_dilate-img_erosion
cv2.imshow('img',img_new)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下所示:

通过上图的运行结果可以看到, 原图中j以及j里面的斑点被清晰地表示了出来,并且线条的轮廓还是比较清楚的,效果也不错。

膨胀减去腐蚀的图片显然是一个不错的选择,但是OpenCV中提供了一个专门的方式进行这种梯度的运算:

python 复制代码
import cv2

img=cv2.imread(r'D:\Photo\3.png')
kernel=np.ones((7,7),np.uint8)
img_gradient=cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
cv2.imshow('img_gradient',img_gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下所示:

可以看到上下两张图片的效果基本相同,在实际操作的时候选择两种方式均可。

礼帽和黑帽

(1)礼帽

礼帽变换是形态学图像处理中的一种操作,用于突出显示图像中的小亮区域。其中礼帽的做法是从原始图像中减去开运算的图像,结果是突出了亮度较周围更高的区域。简单来说,就是用原图来减去开运算的图像。

例如:

python 复制代码
import cv2
import numpy as np

img=cv2.imread(r'D:\Photo\3.png')
kernel= np.ones((5, 5),np.uint8)
img_opening= cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
res=img-img_opening
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下所示:

在上图中的白色斑点和隐约的线条就是所求的礼帽。在OpenCV中同样可以直接求得,写法为cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel),代码为:

python 复制代码
import cv2
import numpy as np

img=cv2.imread(r'D:\Photo\3.png')
kernel= np.ones((5, 5),np.uint8)
tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
cv2.imshow('tophat',tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下 所示:

可以看到上下两张图片是完全相的,可以看到效果完全相同。

(2)黑帽

和礼帽一样,也是为了用于突出显示图像中的小亮区域。黑帽的操作是从闭运算的图像减去原图,结果是突出了亮度较周围更高的区域。简单来说,就是用闭运算的图像来减去原图。

同样,用闭运算减去原图图像:

python 复制代码
import cv2
import numpy as np

img=cv2.imread(r'D:\Photo\3.png')
kernel= np.ones((5, 5),np.uint8)
img_closeing= cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
res=img_closeing-img
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下所示:

和礼帽一样,黑帽也有另一种写法,写法为 cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel),代码如下所示:

python 复制代码
import cv2
import numpy as np

img=cv2.imread(r'D:\Photo\3.png')
kernel= np.ones((5, 5),np.uint8)
blackhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow('blackhat',blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下:

可以看到两种结果是相同的,因此这两中在实际操作均可以。

相关推荐
子燕若水2 分钟前
Unreal Engine 5中的AI知识
人工智能
极限实验室1 小时前
Coco AI 实战(一):Coco Server Linux 平台部署
人工智能
杨过过儿1 小时前
【学习笔记】4.1 什么是 LLM
人工智能
巴伦是只猫1 小时前
【机器学习笔记Ⅰ】13 正则化代价函数
人工智能·笔记·机器学习
大千AI助手2 小时前
DTW模版匹配:弹性对齐的时间序列相似度度量算法
人工智能·算法·机器学习·数据挖掘·模版匹配·dtw模版匹配
AI生存日记2 小时前
百度文心大模型 4.5 系列全面开源 英特尔同步支持端侧部署
人工智能·百度·开源·open ai大模型
LCG元2 小时前
自动驾驶感知模块的多模态数据融合:时序同步与空间对齐的框架解析
人工智能·机器学习·自动驾驶
why技术2 小时前
Stack Overflow,轰然倒下!
前端·人工智能·后端
彭祥.2 小时前
Jetson边缘计算主板:Ubuntu 环境配置 CUDA 与 cudNN 推理环境 + OpenCV 与 C++ 进行目标分类
c++·opencv·分类