opencv |
您所在的位置：网站首页 › morphological resultspdf › opencv |
opencv
|
opencv —— morphology形态学操作函数讲解
目录 opencv —— morphology形态学操作函数讲解 形态学滤波：morphologyEx 函数 开运算：先腐蚀后膨胀。 闭运算：先膨胀后腐蚀。 形态学梯度： 膨胀图与腐蚀图之差。 顶帽：顶帽运算（Top Hat）又常常被译为”礼帽“运算，原图像与开运算图之差。 黑帽： 为”闭运算“的结果图与原图像之差。 参考博客1 参考博客2 数学形态学（Mathematical morphology） 是一门建立在格论和拓扑学基础之上的图像分析学科，是数学形态学图像处理的基本理论。其基本的运算包括：二值腐蚀和膨胀、二值开闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换、灰值腐蚀和膨胀、灰值开闭运算、灰值形态学梯度等。 morphology形态学操作函数主要包含了五个操作：开运算、闭运算、形态学梯度、顶帽、黑帽。opencv 将这些操作集合到了一个函数中 morphologyEx。要实现不同操作，仅需改变其第三个成员变量形态学运算标识符。 形态学滤波：morphologyEx 函数 void morphologyEx(InputArray src, OutputArray dst, int op, InputArray kernel, Point anchor = Point(-1, -1), int iterations = 1, int borderType = BORDER_CONSTANT, const Scalar& borderValue = morphologyDefaultBorderValue()); src，输入图像，即原图像，填 Mat 类的对象即可。dst，目标图像，需要和原图片有一样的尺寸和类型。op，形态学运算的类型。MORPH_ERODE = 0, //腐蚀 MORPH_DILATE = 1, //膨胀 MORPH_OPEN = 2, //开操作 MORPH_CLOSE = 3, //闭操作 MORPH_GRADIENT = 4, //梯度操作 MORPH_TOPHAT = 5, //顶帽操作 MORPH_BLACKHAT = 6, //黑帽操作 kernel，膨胀操作的核。当为 NULL 时，表示的是使用参考点位于中心，大小 3×3 的核。anchor，锚点的位置，默认位于中心。iterations 迭代使用 dilate() 的次数，默认值为 1。borderType，边界拓展的方法。borderValue，当边界为常数时的边界值，有默认值，一般不用管。 开运算：先腐蚀后膨胀。开运算可以用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。 代码示例： import cv2 import numpy as np import matplotlib.pyplot as plt img=cv2.imread("C:\\Users\\Lijian\\Desktop\\test.jpg",cv2.IMREAD_GRAYSCALE) plt.imshow(img, cmap='Greys_r') kernel = np.ones((1, 5), np.uint8) img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, anchor=(2, 0), iterations=2) #dilatazione cv2.imshow('open',img) cv2.waitKey(0)截图
闭运算能够排除小型黑洞(黑色区域)，可以将团块的边缘突出出来。 代码演示： import cv2 import numpy as np import matplotlib.pyplot as plt img=cv2.imread("C:\\Users\\Lijian\\Desktop\\test.jpg",cv2.IMREAD_GRAYSCALE) plt.imshow(img, cmap='Greys_r') kernel = np.ones((1, 5), np.uint8) img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, anchor=(2, 0), iterations=2) #dilatazione cv2.imshow('close',img) cv2.waitKey(0)截图
对二值图像进行这一操作可以将团块（blob）的边缘突出出来。我们可以用形态学梯度来保留物体的边缘轮廓。 代码演示： import cv2 import numpy as np import matplotlib.pyplot as plt img=cv2.imread("C:\\Users\\Lijian\\Desktop\\test.jpg",cv2.IMREAD_GRAYSCALE) plt.imshow(img, cmap='Greys_r') kernel = np.ones((1, 5), np.uint8) img = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, anchor=(2, 0), iterations=2) #dilatazione cv2.imshow('MORPH_GRADIENT',img) cv2.waitKey(0)截图：
因为开运算带来的结果是放大了裂缝或者局部低亮度的区域，因此，从原图中减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域，所以顶帽运算往往用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。 代码演示： import cv2 import numpy as np import matplotlib.pyplot as plt img=cv2.imread("C:\\Users\\Lijian\\Desktop\\test.jpg",cv2.IMREAD_GRAYSCALE) plt.imshow(img, cmap='Greys_r') kernel = np.ones((1, 5), np.uint8) img = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, anchor=(2, 0), iterations=2) #dilatazione cv2.imshow('MORPH_TOPHAT',img) cv2.waitKey(0)截图：
黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，黑帽运算用来分离比邻近点暗一些的斑块。 代码演示： import cv2 import numpy as np import matplotlib.pyplot as plt img=cv2.imread("C:\\Users\\Lijian\\Desktop\\test.jpg",cv2.IMREAD_GRAYSCALE) plt.imshow(img, cmap='Greys_r') kernel = np.ones((1, 5), np.uint8) img = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel, anchor=(2, 0), iterations=2) #dilatazione cv2.imshow('MORPH_BLACKHAT',img) cv2.waitKey(0) 截图
|
【本文地址】