Opencv 图像形态学操作

3.1 形态学-腐蚀操作

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

如果腐蚀核的覆盖区域内的所有像素值都满足条件(阈值),则中心像素的值保持不变;如果有任何像素值不满足条件,则中心像素的值被设置为0(黑色)。

python 复制代码
kernal = np.ones((3, 3), np.unit8)
# 传入3×3的腐蚀核,iterration表示腐蚀的操作次数
erosion = cv2.erode(img, kernal, iteration = 2)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

多余的细线条没有了。

python 复制代码
pie = cv2.imread('pie.png')
cv2.imshow('pie', pie)
cv2.waitKey(0)
cv2.destroyAllWindows()

接下来看随着迭代次数变多图像有什么变化

python 复制代码
kernel = np.ones((30, 30), np.unit8)
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()

图像越来越瘦

3.2 形态学-膨胀操作

python 复制代码
kernal = np.ones((3, 3), np.unit8)
dilation = cv2.dilate(erosion, kernal, iternations = 2)

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

可以看出腐蚀后的线条变细之后,膨胀操作又将线条变粗了

所以我们可以将图像中的噪声点和比结构元素小而且多余需要去除的部分先用腐蚀操作去除,然后再将我们需要的部分用膨胀操作变大。

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

kernel = np.ones((30, 30), np.unit8)
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()

可以看出随膨胀次数操作变多,这个圆越来越肿。

3.3 开运算与闭运算

开运算:先腐蚀,再膨胀

用于去除小亮物体

python 复制代码
img = cv2.imread('CSDN.png')
kernel = np.ones((5, 5), np.unit8)
opening = cv2.morphologyEX(img, cv2.MORPH_OPEN, kernel)

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

闭运算:先膨胀,再腐蚀

用于去除小暗物体

python 复制代码
img = cv2.imread('CSDN2.png')
cv2.imshow('CSDN2', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
python 复制代码
img = cv2.imread('CSDN2.png')

kernel = np.ones((5, 5), np.unit8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

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

3.4 梯度运算

梯度运算的结果等同于膨胀操作和腐蚀操作结果的差值,这个操作可以用来检测图像中的物体边缘。

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

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

3.5 礼帽与黑帽

礼帽 = 原始输入 - 开运算结果

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

礼帽操作的效果是突出显示那些比结构元素小的物体

开运算之后,原本比结构元素小的物体处理掉,而比结构元素大的物体则几乎保持不变.

用原始输入减去开运算结果后,剩下的是比结构元素小的物体。

黑帽 = 闭运算 - 原始输入

python 复制代码
img = cv2.imread('CSDN2.png')
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat', blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()
python 复制代码
img = cv2.imread('CSDN.png')
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat', blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()

黑帽操作的效果是用于突出显示比结构元素小的暗物体或凹陷区域。

闭运算之后,原本比结构元素小的物体再膨胀过程中被完全填充,在腐蚀过程也无法恢复。比结构元素大的物体在膨胀又腐蚀后变化不大。

用闭运算结果减去原始输入后,留下来的则是原本的小暗物体的轮廓,只不过变成了亮的小物体。

相关推荐
TDengine (老段)6 分钟前
TDengine IDMP 高级功能(4. 元素引用)
大数据·数据库·人工智能·物联网·数据分析·时序数据库·tdengine
curdcv_po7 分钟前
😲AI 💪🏻超级 整合时代 已经 到来~
人工智能·trae
*星星之火*13 分钟前
【GPT入门】第47课 大模型量化中 float32/float16/uint8/int4 的区别解析:从位数到应用场景
人工智能·gpt
aneasystone本尊1 小时前
学习 Coze Studio 的工作流执行逻辑
人工智能
aneasystone本尊1 小时前
再学 Coze Studio 的智能体执行逻辑
人工智能
xuanwuziyou1 小时前
LangChain 多任务应用开发
人工智能·langchain
新智元1 小时前
一句话,性能暴涨 49%!马里兰 MIT 等力作:Prompt 才是大模型终极武器
人工智能·openai
猫头虎2 小时前
猫头虎AI分享|一款Coze、Dify类开源AI应用超级智能体Agent快速构建工具:FastbuildAI
人工智能·开源·github·aigc·ai编程·ai写作·ai-native
新智元2 小时前
AI 版华尔街之狼!o3-mini 靠「神之押注」狂赚 9 倍,DeepSeek R1 最特立独行
人工智能·openai
天下弈星~2 小时前
GANs生成对抗网络生成手写数字的Pytorch实现
人工智能·pytorch·深度学习·神经网络·生成对抗网络·gans