python形态学图像处理:图像腐蚀、图像膨胀、开运算、闭运算、梯度运算、顶帽、黑帽

腐蚀、膨胀

这两个操作原理一样,都是先创造一个kernel,在kernel中划分感兴趣区域与原点。
腐蚀时,若当前感兴趣区域中有0,则将原点赋为0;
膨胀时,若当前感兴趣区域中有1,则将原点赋为1。

图中用了一个2x2的核,右下的角的黑色方格为原点,绿色方格为感兴趣区域。使用它作为滑窗对原图进行处理。(原图应为二值图)
在这里插入图片描述

在这里插入图片描述

开闭、梯度运算

开运算:先腐蚀,再膨胀
开运算可用于去噪、去毛刺、分离两个连接在一起的物体。

闭运算:先膨胀,再腐蚀
闭运算可用于填充小孔、连接两个分离的物体。

这里的物体是相对的,可以理解成:

  1. 开运算:连接黑色色块,去除白色噪点。
  2. 闭运算:连接白色色块,去除黑色噪点。

梯度=膨胀图像-腐蚀图像
梯度运算用于求边缘

顶帽、黑帽

顶帽=原图-开运算
获取白色物体

黑帽=闭运算-原图
获取黑色物体

效果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

python+cv2代码

import cv2 as cv
import numpy as np 
import matplotlib
import matplotlib.pyplot as plt 
import os
%matplotlib qt5
matplotlib.rcParams['font.family'] = 'SimHei'
img = cv.imread('geo.png')
img_rgb = cv.cvtColor(img,cv.COLOR_BGR2RGB)
img_gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#(5,5)
kernel = np.ones((5,5),dtype=np.uint8)
print(kernel)
img_open = cv.morphologyEx(img_gray,cv.MORPH_OPEN,kernel)
img_close = cv.morphologyEx(img_gray,cv.MORPH_CLOSE,kernel)

#开闭运算
plt.subplot(131)
plt.imshow(img_rgb)
plt.title('原图')
plt.subplot(132)
plt.imshow(img_open,'gray')
plt.title('开运算')
plt.subplot(133)
plt.imshow(img_close,'gray')
plt.title('闭运算')
plt.show()

#腐蚀膨胀
img_ERODE = cv.morphologyEx(img_gray,cv.MORPH_ERODE,kernel)
img_DILATE = cv.morphologyEx(img_gray,cv.MORPH_DILATE,kernel)
plt.subplot(121)
plt.imshow(img_ERODE,'gray')
plt.title('腐蚀')
plt.subplot(122)
plt.imshow(img_DILATE,'gray')
plt.title('膨胀')
plt.show()

#梯度、帽子
img_gra = cv.morphologyEx(img_gray,cv.MORPH_GRADIENT,kernel)
img_black = cv.morphologyEx(img_gray,cv.MORPH_BLACKHAT,kernel)
img_top = cv.morphologyEx(img_gray,cv.MORPH_TOPHAT,kernel)
#plt.subplot(131)
#plt.imshow(img_gra,'gray',vmin=0,vmax=255)
#plt.title('梯度')
#plt.subplot(132)
#plt.imshow(img_top,'gray',vmin=0,vmax=255)
#plt.title('顶帽')
#plt.subplot(133)
plt.imshow(img_black,'gray',vmin=0,vmax=255)
plt.title('黑帽')
  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【课程简介】 本课程基于面向PythonOpenCV,以OpenCV的官方文档的知识脉络为主线,介绍了OpenCV函数的具体使用方法、函数所使用的算法的具体原理。 在介绍函数使用时,提供了大量的程序案例演示。 在介绍具体原理时,采用了通俗易懂的语言和贴近生活的示例来说明问题,尽量避免涉及过于复杂抽象的公式。 课程包含数字图像处理的常用知识点,覆盖面全,方便学员系统深入全面地掌握OpenCV。 【你将收获什么】 1.  掌握数字图像的在计算机内表示的方法和处理的基本原理。掌握数字图像的表示方法是进行图像处理的前提和基础,能够为后续的智能图像处理打下坚实基础。 2.  使用好OpenCV开源库对于提升工作效率具有很大的帮助。OpenCV是优秀的开源库,提供了大量的函数帮助我们提升工作效率。大多数情况下,我们直接调用函数就能够满足我们的需求。同时,它的函数具有较好的交互性,能够根据需要更好地掌控图像处理的具体细节。 3.  学习图像处理的常用算法。课程不仅介绍函数的具体使用,也介绍了常用算法的基本原理,帮助学习者更好地理解图像处理的基本逻辑、方法,快速入门图像处理领域。 【我将如何教你】 1)在“黑盒”和“白盒“之间取得平衡  可以将OpenCV看成“黑盒”,不用关心其函数是如何实现的。在需要实现某一个功能时,直接调用其对应的函数即可,像使用Photoshop的各种功能一样。也可以将OpenCV看成“白盒”,关注其每一个函数的具体实现,认真研究每一个函数的具体实现方法和实现细节。这两种方式都是学习图像处理的很好方式,但是大多数课程过于强调其中某一种,要么忽略了算法的实现、要么忽略了使用方法。本课程尽量将OpenCV在“黑盒”和“白盒”之间取得平衡。既介绍算法的原理和方法,又将重点放在如何调用函数上,让学习者能够更加游刃有余地在计算机视觉项目中使用OpenCV来解决具体的问题。 2)将枯燥的算法采用具体的案例介绍  在图像处理中,有大量的算法保证了图像处理的准确、高效。OpenCV将一些常用的算法进行了封装,我们可以直接调用OpenCV的函数来使用对应的算法。但是,深入地理解算法能够帮助学习者更好地使用OpenCV函数。本课程尝试抛弃传统的使用复杂公式介绍算法的形式,尽量通过简单、通俗易懂的生活中实例来帮助学习者理解算法的基本逻辑 3)案例驱动、强调实战 OpenCV是一个庞大的资源库,提供了非常多的函数帮助我们高效地处理问题。初学者使用OpenCV的最大困惑就是熟练地掌握了每一个函数的调用方法,但是在解决实际问题时,不知道具体应该使用哪个函数。本课程通过大量的具体案例帮助学习快速掌握每个函数的应用场景,快速掌握OpenCV的核心使用方法和技巧。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值