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
AndrewHZ13 分钟前
【图像处理基石】如何入门色彩评估?
图像处理·人工智能·深度学习·色彩科学·hvs·色彩评估·颜色工程
TomatoSCI13 分钟前
聚类的可视化选择:PCA / t-SNE丨TomatoSCI分析日记
人工智能·机器学习
大咖分享课15 分钟前
深度剖析:最新发布的ChatGPT Agent 技术架构与应用场景
人工智能·openai·智能助手·ai代理·chatgpt agent·自主任务执行
lucky_lyovo26 分钟前
卷积神经网络--网络性能提升
人工智能·神经网络·cnn
liliangcsdn30 分钟前
smolagents - 如何在mac用agents做简单算术题
人工智能·macos·prompt
nju_spy34 分钟前
周志华《机器学习导论》第8章 集成学习 Ensemble Learning
人工智能·随机森林·机器学习·集成学习·boosting·bagging·南京大学
静心问道1 小时前
TrOCR: 基于Transformer的光学字符识别方法,使用预训练模型
人工智能·深度学习·transformer·多模态
说私域1 小时前
基于开源AI大模型、AI智能名片与S2B2C商城小程序源码的用户价值引导与核心用户沉淀策略研究
人工智能·开源
亲持红叶1 小时前
GLU 变种:ReGLU 、 GEGLU 、 SwiGLU
人工智能·深度学习·神经网络·激活函数
说私域1 小时前
线上协同办公时代:以开源AI大模型等工具培养网感,拥抱职业变革
人工智能·开源