OpenCV基础——图像滤波和形态学操作

接上期:

5500字,从零开始入门OpenCV的超基础操作~-CSDN博客

目录

一.滤波操作

1.均值滤波

2.方框滤波

3.高斯滤波

4.中值滤波

5.聚合展示

二.形态学操作

1.腐蚀

2.膨胀

3.开运算和闭运算

4.梯度

5.礼帽和黑帽计算


一.滤波操作

也即对图像做出某种平滑处理。如下为原图:

1.均值滤波

假设选择3*3的卷积核,则某点处的像素值应该为其周围及本身在内的9个点像素的均值。如下,blur的第二个参数即为卷积核,也可以选择5*5:

python 复制代码
import cv2
def cv_show(img,name):
    cv2.imshow(name,img) #显示图像,也可以创建多个窗口
    cv2.waitKey(0) #等待时间,这里设置为0,表示任意键终止
    cv2.destroyAllWindows() #销毁窗口
img = cv2.imread("D:\\Bayern.jpg")
blur=cv2.blur(img,(3,3))#均值滤波
cv_show(blur,"blur")

2.方框滤波

相比前者多了一个可以选择归一化的参数,这里设为true值在底层操作上就和前者一模一样了:

python 复制代码
box = cv2.boxFilter(img,-1,(3,3),normalize=False)
cv_show(box,"box")

但如果设置为false,也即不会归一化,这时难免会越界,会自动进行图像的阈值操作:当值大于255时,一律按照255计算:

3.高斯滤波

高斯滤波某种程度上反映了和正态分布类似的思想:离我越近的则关系越紧密,也即和当前值相似度越大则在取加权平均时的权值越大,这和正态分布中离均值越近的概率越大的性质不谋而合。具体来说构造矩阵时相当于将每个位置的元素按照相似度分配权重,而不是均值滤波那样全部给为相同的值。

sigma的值夜可以设置为0,意味着自动计算出合适的值:

python 复制代码
gaussian= cv2.GaussianBlur(img,(5,5),1)
cv_show(gaussian,"gaussian")

4.中值滤波

对卷积核内的元素进行排序并选出中值,来代替目标点位上的值(即卷积核的中心值):

python 复制代码
median=cv2.medianBlur(img,3)
cv_show(median,"median")

5.聚合展示

可以将所有的结果一次性显示出来。hstack为水平聚合,而vstack为垂直聚合:

python 复制代码
import cv2
import numpy as np
from scipy.signal.windows import gaussian
from sympy import together
def cv_show(img,name):
    cv2.imshow(name,img) #显示图像,也可以创建多个窗口
    cv2.waitKey(0) #等待时间,这里设置为0,表示任意键终止
    cv2.destroyAllWindows() #销毁窗口
img = cv2.imread("D:\\Bayern.jpg")
img = cv2.resize(img,(0,0),fx=0.5,fy=0.5)
blur=cv2.blur(img,(3,3))
gaussian=cv2.GaussianBlur(img,(3,3),0)
median=cv2.medianBlur(img,3)
#tog=np.hstack((blur,gaussian,median))
tog=np.vstack((blur,gaussian,median))
cv_show(tog,"tog")

如下,分别是均值、高斯和中值滤波的效果:

二.形态学操作

1.腐蚀

如下是一张图,不难发现有很多红色的毛线杂质,因此我们要做的是将这些杂质处理掉~

腐蚀操作一般处理二值图,因此我们需要先进行灰度化、二值化处理:

python 复制代码
import cv2
import numpy as np
def cv_show(img,name):
    cv2.imshow(name,img) #显示图像,也可以创建多个窗口
    cv2.waitKey(0) #等待时间,这里设置为0,表示任意键终止
    cv2.destroyAllWindows() #销毁窗口
img = cv2.imread("D:\\Bayern1.jpg")
img = cv2.resize(img,(0,0),fx=0.7,fy=0.7)
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
res,thresh = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
cv_show(thresh,"Threshold")

然后进行腐蚀:

python 复制代码
kernel = np.ones((3,3),np.uint8)#构建卷积核大小
erosion = cv2.erode(thresh,kernel,iterations=1)
cv_show(erosion,"erosion")

腐蚀效果和所构建的卷积核大小有关系,选用5*5则会将字母本身也变细:

在5*5的前提下如果再增加迭代次数,可能会将原图直接腐蚀殆尽:

python 复制代码
kernel = np.ones((5,5),np.uint8)#构建卷积核大小
erosion = cv2.erode(thresh,kernel,iterations=2)
cv_show(erosion,"erosion")

2.膨胀

可以看为腐蚀的逆操作。之前的腐蚀可能会将本来的字体继续变小,这里我们用膨胀操作相当于抵消一下:

python 复制代码
kernel = np.ones((5,5),np.uint8)#构建卷积核大小
erosion = cv2.erode(thresh,kernel,iterations=1)
dilate = cv2.dilate(erosion,kernel,iterations=1)
tog=np.vstack((thresh,erosion,dilate))
cv_show(tog,"tog")

各位也可以自行尝试改变参数哦~

3.开运算和闭运算

开运算就是先腐蚀再膨胀,使用形态学函数morphologyEx,指定参数为cv2.MORPH_OPEN

python 复制代码
opening=cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel)

而闭运算就是先膨胀后腐蚀:

python 复制代码
closing=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,kernel)

对比一下:

python 复制代码
tog=np.vstack((thresh,opening,closing))
cv_show(tog,"tog")

先腐蚀后膨胀可以良好地去掉杂质,而先膨胀后腐蚀则不仅去不掉刺还变粗了~

4.梯度

所谓的梯度可以理解为某种边框,计算公式是膨胀减去腐蚀------相当于镂空一个环。

python 复制代码
import cv2
import numpy as np
def cv_show(img,name):
    cv2.imshow(name,img) #显示图像,也可以创建多个窗口
    cv2.waitKey(0) #等待时间,这里设置为0,表示任意键终止
    cv2.destroyAllWindows() #销毁窗口
img = cv2.imread("D:\\Circle.jpg")
img = cv2.resize(img,(0,0),fx=0.7,fy=0.7)
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
res,thresh = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
kernel = np.ones((5,5),np.uint8)#构建卷积核大小
erosion=cv2.erode(thresh,kernel,iterations=1)
dilate=cv2.dilate(thresh,kernel,iterations=1)
ref=dilate-erosion
cv_show(ref,"ref")

但实际上内置的处理对参数的把控比人为操作更胜一筹:

5.礼帽和黑帽计算

礼帽为原始结果减去开运算结果,黑帽为闭运算减去原始结果。对比了解一下:

python 复制代码
import cv2
import numpy as np
def cv_show(img,name):
    cv2.imshow(name,img) #显示图像,也可以创建多个窗口
    cv2.waitKey(0) #等待时间,这里设置为0,表示任意键终止
    cv2.destroyAllWindows() #销毁窗口
img = cv2.imread("D:\\Bayern1.jpg")
img = cv2.resize(img,(0,0),fx=0.7,fy=0.7)
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
res,thresh = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
kernel = np.ones((3,3),np.uint8)#构建卷积核大小

tophat=cv2.morphologyEx(thresh,cv2.MORPH_TOPHAT,kernel)
blackhat=cv2.morphologyEx(thresh,cv2.MORPH_BLACKHAT,kernel)
top=np.vstack((img,tophat,blackhat))
cv_show(top,"top")

根据开闭运算的定义,礼帽实际上将杂质保留了下来,而黑帽则是将本体的轮廓保留下来~

相关推荐
Easy数模18 分钟前
使用llm进行高级主题建模:通过利用 BERTopic 的表示模型和生成式 AI 深入探讨主题建模
人工智能·llm·nlp
你可以叫我仔哥呀23 分钟前
Java程序员学从0学AI(七)
java·开发语言·人工智能·ai·spring ai
益莱储中国27 分钟前
是德科技 | AI上车后,这条“高速公路”如何畅通?
人工智能·科技
小张童鞋。33 分钟前
Datawhale AI夏令营--Task2:理解项目目标、从业务理解到技术实现!
人工智能
AI4Sci.33 分钟前
在云服务器上基于lora微调Qwen2.5-VL-7b-Instruct模型(下)
人工智能·算法·机器学习·大模型·lora微调·大模型本地部署·qwen2.5-vl-7b
阿里云大数据AI技术44 分钟前
数据开发再提速!DataWorks正式接入Qwen3-Coder
大数据·人工智能·数据分析
Xxtaoaooo1 小时前
MCP协议全景解析:从工业总线到AI智能体的连接革命
大数据·人工智能·mcp协议·mcp解析·工业mcp
TiAmo zhang1 小时前
深度学习与图像处理 | 基于PaddlePaddle的梯度下降算法实现(线性回归投资预测)
图像处理·深度学习·算法
空中湖1 小时前
PyTorch武侠演义 第一卷:初入江湖 第7章:矿洞中的计算禁制
人工智能·pytorch·python
新智元1 小时前
毕树超入职Meta后首发声:十年前怀疑AGI,如今深信AGI已至!
人工智能·openai