【盘算机视觉（9）】
形态学操纵形态学操纵是数字图像处理中的一种方法，用于改变和提取图像中的结构和形状信息。它基于图像的形状和大小特征，通过对图像举行特定的数学运算和变换来实现对图像的分割、腐蚀、膨胀、细化等操纵。
腐蚀
腐蚀操纵是通过将图像中所有的像素点与结构元素举行逻辑“与”运算，来减小图像中边缘和细节的尺寸。具体而言，对于图像中的每个像素点，如果其邻域内的像素点都是前景（白色），则该像素点保持不变；如果邻域内有任何一个像素点是背景（玄色），则该像素点变为背景。腐蚀操纵可以实现图像的缩小、断开连通地区以及去除微小的噪点等效果。
image = cv2.erode(src, kernel, iterations)
参数：
src：原始图像。
kernel：腐蚀使用的核。 相称于一个小地区，在图像上移动，举行腐蚀。
iterations：可选参数，腐蚀操纵的迭代次数，默认值为1。
膨胀
膨胀操纵是通过将图像中所有的像素点与结构元素举行逻辑“或”运算，来增加图像中边缘和细节的尺寸。具体而言，对于图像中的每个像素点，如果其邻域内的任何一个像素点是前景（白色），则该像素点保持不变；如果邻域内所有像素点都是背景（玄色），则该像素点变为前景。膨胀操纵可以实现图像的放大、闭合连通地区以及填充微小的空洞等效果。
image = cv2.dilate(src, kernel, iterations)
参数：
src：原始图像。
kernel：膨胀使用的核。
iterations：可选参数，腐蚀操纵的迭代次数，默认值为1。
开运算
开运算是先举行腐蚀操纵，再举行膨胀操纵的组合操纵。开运算可以用于去除图像中的噪点和微小的干扰物，同时保持图像的团体形状和表面特征。
闭运算
闭运算是先举行膨胀操纵，再举行腐蚀操纵的组合操纵。闭运算可以用于填充图像中的空洞和连接微小的断开地区，同时保持图像的团体形状和表面特征。
梯度运算
梯度运算（Gradient Operation）是图像处理中的一种常用操纵，用于检测图像中的边缘。梯度是指图像中像素值变化的快慢程度。在梯度运算中，通常使用Sobel、Prewitt或Laplacian等算子来盘算图像中每个像素点的梯度值。
顶帽
顶帽（Top Hat）操纵是一种形态学操纵，用于突出图像中比四周背景亮的小地区。顶帽操纵基于原始图像和经过开操纵（Opening Operation）后得到的图像，通过求差运算来突出亮的小地区。
黑帽
黑帽（Black Hat）操纵是一种形态学操纵，用于突出图像中比四周背景暗的小地区。黑帽操纵基于原始图像和经过闭操纵（Closing Operation）后得到的图像，通过求差运算来突出暗的小地区。
开运算、闭运算、梯度运算、礼帽和黑帽形态学操纵均使用morphologyEx()函数：
image = cv2.morphologyEx(src, op, kernel)
参数：
src：输入图像，通常为二值图像。
op：形态学操纵的范例，可以是以下之一：
cv2.MORPH_ERODE：腐蚀。
cv2.MORPH_DILATE：膨胀。
cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）。
cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）。
cv2.MORPH_GRADIENT：形态学梯度（膨胀图像与腐蚀图像之差）。
cv2.MORPH_TOPHAT：顶帽（原始图像与开运算效果之差）。
cv2.MORPH_BLACKHAT：黑帽（闭运算效果与原始图像之差）。
kernel：结构元素或核，它决定了形态学操纵的性质。通常，这是一个小的矩形、椭圆形或十字形矩阵。
形态学操纵代码实现以及效果图
腐蚀操纵代码如下：
import cv2 #导入OpenCV模块
import matplotlib.pyplot as plt # 导入matplotlib库
import numpy as np
image = cv2.imread("img/core.jpg") # 导入图片
kernel = np.ones((3, 3), np.uint8) # 指定核的大小为 3*3的值为1的矩阵
ession_1 = cv2.erode(image, kernel, iterations = 1) # 腐蚀一次
ession_2 = cv2.erode(image, kernel, iterations = 2) # 腐蚀两次
ession_3 = cv2.erode(image, kernel, iterations = 3) # 腐蚀三次
titles = ["original", "iterations1", "iterations2", "iterations3"]
images =
for i in range(4):
plt.subplot(2, 2, i + 1), plt.imshow(images, "gray")
plt.title(titles)
plt.show()
代码实现效果如下：
https://img-blog.csdnimg.cn/direct/4c79fecc7fe645e8a3e8f340133df32b.png#pic_center
膨胀操纵代码如下：
import cv2 #导入OpenCV模块
import matplotlib.pyplot as plt # 导入matplotlib库
import numpy as np
image = cv2.imread("img/core.jpg") # 导入图片
kernel = np.ones((3, 3), np.uint8) # 指定核的大小为 3*3的值为1的矩阵
dilate_1 = cv2.dilate(image, kernel, iterations = 1) # 膨胀一次
dilate_2 = cv2.dilate(image, kernel, iterations = 2) # 膨胀两次
dilate_3 = cv2.dilate(image, kernel, iterations = 3) # 膨胀三次
titles = ["original", "iterations1", "iterations2", "iterations3"]
images =
for i in range(4):
plt.subplot(2, 2, i + 1), plt.imshow(images, "gray")
plt.title(titles)
plt.show()
代码实现效果如下：
https://img-blog.csdnimg.cn/direct/d971c0595074414f97d3299ee4fbf716.png#pic_center
开运算，闭运算，梯度运算，顶帽，黑帽操纵代码如下：
import cv2 #导入OpenCV模块
import matplotlib.pyplot as plt # 导入matplotlib库
import numpy as np
image = cv2.imread("img/core.jpg") # 导入图片
kernel = np.ones((5, 5), np.uint8) # 指定核的大小为 5*5的值为1的矩阵
img_open = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)# 开运算
img_close = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)# 闭运算
img_gradient = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel)# 梯度运算
img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT, kernel)# 顶帽
img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)# 黑帽
titles = ["original", "OPEN", "CLOSE", "GRADIENT", "TOPHAT", "BLACKHAT"]
images =
for i in range(6):
plt.subplot(2, 3, i + 1), plt.imshow(images, "gray")
plt.title(titles)
plt.show()
代码实现效果如下：
https://img-blog.csdnimg.cn/direct/6275723bc82641f2a7ee78c59b656be4.png#pic_center
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]