OpenCV 图形API(27)图像滤波-----膨胀函数dilate()

  • 操作系统:ubuntu22.04
  • OpenCV版本:OpenCV4.9
  • IDE:Visual Studio Code
  • 编程语言:C++11

算法描述

使用特定的结构元素膨胀图像。

cv::gapi::dilate 是 OpenCV G-API 模块中的一个函数,用于对图像执行膨胀操作。膨胀是一种形态学操作,通常用于扩大前景对象的边界区域(即白色部分,在二值图像中)。这个操作对于去除小的暗斑点(噪声)和连接靠近的前景像素非常有用。

该函数通过指定的结构元素来膨胀源图像,此结构元素决定了在计算最大值时使用的像素邻域的形状:
dst ( x , y ) = max ⁡ ( x ′ , y ′ ) :   element ( x ′ , y ′ ) ≠ 0 src ( x + x ′ , y + y ′ ) \texttt{dst} (x,y) = \max _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y') dst(x,y)=(x′,y′):element(x′,y′)=0maxsrc(x+x′,y+y′)

膨胀操作可以应用多次(迭代)。对于多通道图像,每个通道会独立处理。支持的输入矩阵数据类型为 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意:

如果硬件支持,则进行四舍五入到最近的偶数;如果不支持,则四舍五入到最近的整数。

函数文本ID是 "org.opencv.imgproc.filters.dilate"

函数原型

cpp 复制代码
GMat cv::gapi::dilate 	
(
 	const GMat &  	src,
	const Mat &  	kernel,
	const Point &  	anchor = Point(-1,-1),
	int  	iterations = 1,
	int  	borderType = BORDER_CONSTANT,
	const Scalar &  	borderValue = morphologyDefaultBorderValue() 
) 	

参数

  • 参数 src: 输入图像。
  • 参数 kernel: 用于膨胀的结构元素;如果 kernel=Mat(),则使用 3x3 的矩形结构元素。可以通过 getStructuringElement 创建内核。
  • 参数 anchor: 结构元素中锚点的位置;默认值 (-1, -1) 表示锚点位于元素中心。
  • 参数 iterations: 膨胀操作的应用次数。
  • 参数 borderType: 像素外推方法,参见 cv::BorderTypes。
  • 参数 borderValue: 在使用常量边界类型时使用的边界值。

代码示例

cpp 复制代码
#include <opencv2/gapi/core.hpp>     // 包含G-API核心模块
#include <opencv2/gapi/imgproc.hpp>  // 包含G-API imgproc模块
#include <opencv2/opencv.hpp>

int main()
{
    // 加载图像
    cv::Mat img = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/Lenna.png", cv::IMREAD_GRAYSCALE );  // 使用灰度图以简化示例
    if ( img.empty() )
    {
        std::cerr << "无法加载图像" << std::endl;
        return -1;
    }

    // 定义结构元素
    cv::Mat kernel = cv::getStructuringElement( cv::MORPH_RECT, cv::Size( 5, 5 ) );

    // 定义G-API计算图
    cv::GMat in;
    auto out = cv::gapi::dilate( in, kernel );

    // 创建并运行G-API编译器
    cv::GComputation comp( cv::GIn( in ), cv::GOut( out ) );
    cv::Mat dst;
    comp.apply( img, dst, cv::compile_args( cv::gapi::kernels() ) );

    // 显示结果
    cv::imshow( "Original Image", img );
    cv::imshow( "Dilated Image", dst );
    cv::waitKey();

    return 0;
}

运行结果

相关推荐
QT界面美化性能优化9 小时前
QT+AI:使用AI技术为QT应用程序赋能
c++·人工智能·qt·opencv·qt教程·qt6.3
AndrewHZ16 小时前
图像处理入门020 | 图像二值化:阈值分割基础 —— cv2.threshold 五种类型与自适应阈值铺垫
图像处理·opencv·文档扫描·阈值分割·图像二值化·trackbar·自适应阈值
格林威16 小时前
C# 相机Burst模式图像采集:使用相机内存配合OpenCvSharp和Halcon实现短时间的高速采集的方法
开发语言·人工智能·数码相机·计算机视觉·c#·视觉检测·工业相机
AI智图坊17 小时前
甩手图省事的技术原理:如何用“商品锁定”机制解决AI作图的一致性难题
大数据·人工智能·计算机视觉·ai作画·aigc·ai写作
TAN-90°-21 小时前
Deep Learning for Computer Vision——Attention and Transformers
人工智能·深度学习·神经网络·机器学习·计算机视觉·cnn·机器翻译
OpenBayes21 小时前
Qwen3.8-27B-FP8 降低大模型部署门槛,开启高效多模态智能体验;MiniMax H3-1K 发布千段视频测试数据集,全面评估 AI 视频生成能力
人工智能·深度学习·计算机视觉·自然语言处理·语音识别·多模态大模型
AI的探索之旅21 小时前
97 个 OpenCV 实例(十三):目标跟踪,CamShift 反向投影
人工智能·opencv·目标跟踪
梦想的颜色1 天前
ComfyUI 深度硬核科普:节点式 AI 生成框架完整实战(安装、原理、使用场景、避坑)
人工智能·机器学习·计算机视觉·aigc·comfyui·ai视频·图生视频
动物园猫1 天前
草莓成熟度目标检测数据集:3类别、2,000张图像 | 目标检测
人工智能·目标检测·计算机视觉
AI浩2 天前
关于 Qwen3.8-Next 架构的设计:评估、效率与训练稳定性
人工智能·计算机视觉·自然语言处理