OpenCV的侵蚀和扩张

人工智能小豪

于 2024-01-26 19:30:00 发布

阅读量1.7k

点赞数 56

文章标签： opencv 人工智能计算机视觉

本文链接：https://blog.csdn.net/2301_81888214/article/details/135843291

版权

目标

在本教程中，您将学习如何：

应用两个非常常见的形态算子：侵蚀和扩张。为此，您将使用以下 OpenCV 函数：
- cv：：侵蚀
- 简历：:d ilate

注意

下面的解释属于 Bradski 和 Kaehler 合著的《学习 OpenCV》一书。

形态学操作

简而言之：一组基于形状处理图像的操作。形态学操作将结构化元素应用于输入图像并生成输出图像。
最基本的形态操作是：侵蚀和扩张。它们具有广泛的用途，即：
- 消除噪音
- 隔离单个元素并连接图像中的不同元素。
- 在图像中发现强度凸起或孔洞
我们将以下图为例，简要解释扩张和侵蚀：

扩张

此操作包括将图像与一些内核（B）卷积，该内核可以具有任何形状或大小，通常是正方形或圆形。一个B
内核 B 有一个定义的锚点，通常是内核的中心。B
当内核 B 在图像上扫描时，我们计算与 B 重叠的最大像素值，并将锚点位置的图像像素替换为该最大值。可以推断，这种最大化操作会导致图像中的明亮区域“增长”（因此称为扩张）。BB
膨胀操作为： \texttt{dst} （x，y） = \max _{（x'，y'）： \， \texttt{element} （x'，y'） \ne0 } \texttt{src} （x+x'，y+y'）dst（x，y)=麦克斯(x′,y′)：元素(x′,y′)≠0src（x+x′,y+y′)
以上图为例。应用扩张，我们可以得到：
字母的明亮区域在背景的黑色区域周围扩张。

侵蚀

这种手术是扩张的姊妹。它计算给定内核面积的局部最小值。
当内核 B 在图像上扫描时，我们计算与 B 重叠的最小像素值，并将锚点下的图像像素替换为该最小值。BB
侵蚀操作为： \texttt{dst} （x，y） = \min _{（x'，y'）： \， \texttt{element} （x'，y'） \ne0 } \texttt{src} （x+x'，y+y'）dst（x，y)=分钟(x′,y′)：元素(x′,y′)≠0src（x+x′,y+y′)
与膨胀示例类似，我们可以将侵蚀算子应用于原始图像（如上所示）。您可以在下面的结果中看到，图像的明亮区域变薄，而暗区变大。

法典

C++爪哇岛蟒

本教程的代码如下所示。您也可以在此处下载

#include“opencv2/imgproc.hpp”

#include“opencv2/highgui.hpp”

#include < iostream>

使用命名空间 CV;

使用命名空间 std;

垫子 src， erosion_dst， dilation_dst;

int erosion_elem = 0;

int erosion_size = 0;

int dilation_elem = 0;

int dilation_size = 0;

int 常量 max_elem = 2;

int 常量 max_kernel_size = 21;

无效侵蚀（ int， void* );

无效扩张（ int， void* );

int main（ int argc， char** argv ）

{

CommandLineParser 解析器（ argc， argv， “{@input |Linux徽标.jpg |输入图像}” );

src = imread（ samples：：findFile（ parser.get<String>（ “@input” ））， IMREAD_COLOR );

if（ src.空() )

{

cout << “无法打开或找到图像！\n” << endl;

cout << “用法：” << argv[0] << “ <输入图像>” << endl;

返回 -1;

}

namedWindow（ “侵蚀演示”， WINDOW_AUTOSIZE );

namedWindow（ “膨胀演示”， WINDOW_AUTOSIZE );

moveWindow（ “膨胀演示”， src.cols， 0 ）;

createTrackbar（ “元素：\n 0：矩形 \n 1：十字 \n 2：椭圆”， “侵蚀演示”，

&erosion_elem、max_elem、

侵蚀）;

createTrackbar（ “内核大小：\n 2n +1”， “侵蚀演示”，

&erosion_size、max_kernel_size、

侵蚀）;

createTrackbar（ “元素：\n 0：矩形 \n 1：十字 \n 2：椭圆”， “膨胀演示”，

&dilation_elem、max_elem、

扩张）;

createTrackbar（ “内核大小：\n 2n +1”， “膨胀演示”，

&dilation_size、max_kernel_size、

扩张）;

侵蚀（ 0， 0 ）;

扩张（ 0， 0 ）;

waitKey（0）;

返回 0;

}

无效侵蚀（ int， void* )

{

int erosion_type = 0;

if（ erosion_elem == 0 ）{ erosion_type = MORPH_RECT; }

else if（ erosion_elem == 1 ）{ erosion_type = MORPH_CROSS; }

else if（ erosion_elem == 2） { erosion_type = MORPH_ELLIPSE; }

Mat 元素 = getStructuringElement（ erosion_type，

尺寸（ 2*erosion_size + 1， 2*erosion_size+1 ），

点（ erosion_size， erosion_size ））;

erode（ src， erosion_dst， element ）;

imshow（ “侵蚀演示”， erosion_dst ）;

}

无效扩张（ int， void* )

{

int dilation_type = 0;

if（ dilation_elem == 0 ）{ dilation_type = MORPH_RECT; }

else if（ dilation_elem == 1 ）{ dilation_type = MORPH_CROSS; }

else if（ dilation_elem == 2） { dilation_type = MORPH_ELLIPSE; }

Mat 元素 = getStructuringElement（ dilation_type，

尺寸（ 2*dilation_size + 1， 2*dilation_size+1 ），

点（ dilation_size， dilation_size ））;

dilate（ src， dilation_dst， element ）;

imshow（ “扩张演示”， dilation_dst ）;

}

解释

C++爪哇岛蟒

这里展示的大部分材料都是微不足道的（如果您有任何疑问，请参阅前面部分的教程）。让我们检查一下 C++ 程序的一般结构：

int main（ int argc， char** argv ）

{

CommandLineParser parser（ argc， argv， “{@input |Linux徽标.jpg |输入图像}” );

src = imread（ samples：：findFile（ parser.get<String>（ “@input” ））， IMREAD_COLOR );

if（ src.空() )

{

cout << “无法打开或找到图像！\n” << endl;

cout << “用法：” << argv[0] << “ <输入图像>” << endl;

返回 -1;

}

namedWindow（ “侵蚀演示”， WINDOW_AUTOSIZE );

namedWindow（ “膨胀演示”， WINDOW_AUTOSIZE );

moveWindow（ “膨胀演示”， src.cols， 0 ）;

createTrackbar（ “元素：\n 0：矩形 \n 1：十字 \n 2：椭圆”， “侵蚀演示”，

&erosion_elem、max_elem、

侵蚀）;

createTrackbar（ “内核大小：\n 2n +1”， “侵蚀演示”，

&erosion_size、max_kernel_size、

侵蚀）;

createTrackbar（ “元素：\n 0：矩形 \n 1：十字 \n 2：椭圆”， “膨胀演示”，

&dilation_elem、max_elem、

扩张）;

createTrackbar（ “内核大小：\n 2n +1”， “膨胀演示”，

&dilation_size、max_kernel_size、

扩张）;

侵蚀（ 0， 0 ）;

扩张（ 0， 0 ）;

waitKey（0）;

返回 0;

}

加载图像（可以是 BGR 或灰度）
创建两个窗口（一个用于膨胀输出，另一个用于侵蚀）
为每个操作创建一组两个跟踪栏：
- 第一个跟踪栏“Element”返回 erosion_elem 或 dilation_elem
- 第二个跟踪栏“内核大小”返回相应操作的erosion_size或dilation_size。
调用一次侵蚀和扩张以显示初始图像。

每次我们移动任何滑块时，都会调用用户的函数 Erosion 或 Dilation，它将根据当前的轨迹栏值更新输出图像。

我们来分析一下这两个函数：

侵蚀函数

无效侵蚀（ int， void* )

{

int erosion_type = 0;

if（ erosion_elem == 0 ）{ erosion_type = MORPH_RECT; }

else if（ erosion_elem == 1 ）{ erosion_type = MORPH_CROSS; }

else if（ erosion_elem == 2） { erosion_type = MORPH_ELLIPSE; }

Mat 元素 = getStructuringElement（ erosion_type，

尺寸（ 2*erosion_size + 1， 2*erosion_size+1 ），

点（ erosion_size， erosion_size ））;

erode（ src， erosion_dst， element ）;

imshow（ “侵蚀演示”， erosion_dst ）;

}

执行侵蚀操作的函数是 cv：：erode 。正如我们所看到的，它接收三个参数：

src：源图片
erosion_dst：输出图像
element：这是我们将用来执行操作的内核。如果我们不指定，则默认值为简单矩阵。否则，我们可以指定它的形状。为此，我们需要使用函数 cv：：getStructuringElement ：3x3

Mat 元素 = getStructuringElement（ erosion_type，

尺寸（ 2*erosion_size + 1， 2*erosion_size+1 ），

点（ erosion_size， erosion_size ））;

我们可以为内核选择三种形状中的任何一种：
- 长方形盒子：MORPH_RECT
- 十字架：MORPH_CROSS
- 椭圆：MORPH_ELLIPSE
然后，我们只需要指定内核的大小和锚点。如果未指定，则假定它位于中心。

仅此而已。我们已准备好对我们的形象进行侵蚀。

扩张功能

代码如下。正如你所看到的，它与侵蚀的代码片段完全相似。在这里，我们还可以选择定义我们的内核、它的锚点和要使用的运算符的大小。

无效扩张（ int， void* )

{

int dilation_type = 0;

if（ dilation_elem == 0 ）{ dilation_type = MORPH_RECT; }

else if（ dilation_elem == 1 ）{ dilation_type = MORPH_CROSS; }

else if（ dilation_elem == 2） { dilation_type = MORPH_ELLIPSE; }

Mat 元素 = getStructuringElement（ dilation_type，

尺寸（ 2*dilation_size + 1， 2*dilation_size+1 ），

点（ dilation_size， dilation_size ））;

dilate（ src， dilation_dst， element ）;

imshow（ “扩张演示”， dilation_dst ）;

}

注意

此外，还有其他参数允许您一次执行多个侵蚀/扩张（迭代），还可以设置边界类型和值。但是，我们在这个简单的教程中没有使用它们。您可以查看参考资料了解更多详情。

结果

编译上面的代码并使用图像作为参数执行它（如果使用 python，则运行脚本）。如果不提供图像作为参数，则将使用默认示例图像（LinuxLogo.jpg）。

例如，使用此图像：

我们得到下面的结果。自然，改变轨迹栏中的索引会给出不同的输出图像。试试看吧！您甚至可以尝试添加第三个跟踪栏来控制迭代次数。

（根据编程语言的不同，输出可能会略有不同或只有 1 个窗口）

在线教程

麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
机器学习 – 有指导和无指导情况下的基本机器学习算法
机器学习中的神经网络 – 智能神经网络上的算法和实践经验
斯坦福统计学习

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

请添加图片描述

人工智能书籍

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述

人工智能小豪

关注

56
点赞
踩
40

收藏

觉得还不错? 一键收藏
0
评论
OpenCV的侵蚀和扩张

目标注意下面的解释属于 Bradski 和 Kaehler 合著的《》一书。形态学操作结构化元素我们将以下图为例，简要解释扩张和侵蚀：扩张B）卷B锚点B扩张以上图为例。侵蚀B与膨胀示例类似，我们可以将侵蚀算子应用于原始图像（如上所示）。您可以在下面的结果中看到，图像的明亮区域变薄，而暗区变大。法典C++爪哇岛蟒本教程的代码如下所示。您也可以下载#include“#include“使用命名空间;使用命名空间std;intintintintint常量int。
复制链接

扫一扫