OpenCV图像形态操作

最新推荐文章于 2024-09-30 11:55:22 发布
最新推荐文章于 2024-09-30 11:55:22 发布
阅读量344 收藏 11
点赞数 7
分类专栏： OpenCV知识 文章标签： opencv 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/aa12367/article/details/136129460
版权
本文介绍了使用Python和OpenCV库进行图像的各种基础操作，包括垂直/水平翻转、仿射变换（平移、旋转）、缩放、裁剪、图像相加减、透视变换、腐蚀、膨胀、开闭运算以及形态学梯度，展示了如何通过这些方法改变和分析图像内容。
摘要由CSDN通过智能技术生成

1）图像翻转

# 图像翻转示例
import numpy as np
import cv2

im = cv2.imread("../data/Linus.png")
cv2.imshow("src", im)

# 0-垂直镜像
im_flip0 = cv2.flip(im, 0)
cv2.imshow("im_flip0", im_flip0)

# 1-水平镜像
im_flip1 = cv2.flip(im, 1)
cv2.imshow("im_flip1", im_flip1)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

2）图像仿射变换

# 图像仿射变换
import numpy as np
import cv2

def translate(img, x, y):
    """
    坐标平移变换
    :param img: 原始图像数据
    :param x:平移的x坐标
    :param y:平移的y坐标
    :return:返回平移后的图像
    """
    h, w = img.shape[:2]  # 获取图像高、宽

    # 定义平移矩阵
    M = np.float32([[1, 0, x],
                    [0, 1, y]])
    # 使用openCV仿射操作实现平移变换
    shifted = cv2.warpAffine(img, M, (w, h))  # 第三个参数为输出图像尺寸

    return shifted  # 返回平移后的图像


def rotate(img, angle, center=None, scale=1.0):
    """
    图像旋转变换
    :param img: 原始图像数据
    :param angle: 旋转角度
    :param center: 旋转中心，如果为None则以原图中心为旋转中心
    :param scale: 缩放比例，默认为1
    :return: 返回旋转后的图像
    """
    h, w = img.shape[:2]  # 获取图像高、宽

    # 旋转中心默认为图像中心
    if center is None:
        center = (w / 2, h / 2)

    # 计算旋转矩阵
    M = cv2.getRotationMatrix2D(center, angle, scale)

    # 使用openCV仿射变换实现函数旋转
    rotated = cv2.warpAffine(img, M, (w, h))

    return rotated  # 返回旋转后的矩阵

if __name__ == "__main__":
    # 读取并显示原始图像
    im = cv2.imread("../data/Linus.png")
    cv2.imshow("SrcImg", im)

    # 图像向下移动50像素
    shifted = translate(im, 0, 50)
    cv2.imshow("Shifted1", shifted)

    # 图像向左移动40, 下移动40像素
    shifted = translate(im, -40, 40)
    cv2.imshow("Shifted2", shifted)

    # 逆时针旋转45度
    rotated = rotate(im, 45)
    cv2.imshow("rotated1", rotated)

    # 顺时针旋转180度
    rotated = rotate(im, -90)
    cv2.imshow("rorated2", rotated)

    cv2.waitKey()
    cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

3）图像缩放

# 图像缩放示例
import numpy as np
import cv2

im = cv2.imread("../data/Linus.png")
cv2.imshow("src", im)

h, w = im.shape[:2]  # 获取图像尺寸


dst_size = (int(w/2), int(h/2))  # 缩放目标尺寸，宽高均为原来1/2
resized = cv2.resize(im, dst_size)  # 执行缩放
cv2.imshow("reduce", resized)

dst_size = (200, 300)  # 缩放目标尺寸，宽200，高300
method = cv2.INTER_NEAREST  # 最邻近插值
resized = cv2.resize(im, dst_size, interpolation=method)  # 执行缩放
cv2.imshow("NEAREST", resized)

dst_size = (200, 300)  # 缩放目标尺寸，宽200，高300
method = cv2.INTER_LINEAR  # 双线性插值
resized = cv2.resize(im, dst_size, interpolation=method)  # 执行缩放
cv2.imshow("LINEAR", resized)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

4）图像裁剪

import numpy as np
import cv2


# 图像随机裁剪
def random_crop(im, w, h):
    start_x = np.random.randint(0, im.shape[1])  # 裁剪起始x像素
    start_y = np.random.randint(0, im.shape[0])  # 裁剪起始y像素

    new_img = im[start_y:start_y + h, start_x: start_x + w]  # 执行裁剪

    return new_img


# 图像中心裁剪
def center_crop(im, w, h):
    start_x = int(im.shape[1] / 2) - int(w / 2)  # 裁剪起始x像素
    start_y = int(im.shape[0] / 2) - int(h / 2)  # 裁剪起始y像素

    new_img = im[start_y:start_y + h, start_x: start_x + w]  # 执行裁剪

    return new_img


im = cv2.imread("../data/banana_1.png", 1)

new_img = random_crop(im, 200, 200)  # 随机裁剪
new_img2 = center_crop(im, 200, 200)  # 中心裁剪

cv2.imshow("orig", im)
cv2.imshow("random_crop", new_img)
cv2.imshow("center_crop", new_img2)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

5）图像相加

# 图像相加示例
import cv2

a = cv2.imread("../data/lena.jpg", 0)
b = cv2.imread("../data/lily_square.png", 0)

dst1 = cv2.add(a, b)  # 图像直接相加，会导致图像过亮、过白

# 加权求和：addWeighted
# 图像进行加权和计算时，要求src1和src2必须大小、类型相同
dst2 = cv2.addWeighted(a, 0.6, b, 0.4, 0)  # 最后一个参数为亮度调节量

cv2.imshow("a", a)
cv2.imshow("b", b)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

6）图像相减

# 图像相减运算示例
import cv2

a = cv2.imread("../data/3.png", 0)
b = cv2.imread("../data/4.png", 0)

dst = cv2.subtract(a, b)  # 两幅图像相减，是求出图像的差异

cv2.imshow("a", a)
cv2.imshow("b", b)
cv2.imshow("dst1", dst)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

7）透视变换

# 透视变换
import cv2
import numpy as np

img = cv2.imread('../data/pers.png')
rows, cols = img.shape[:2]
print(rows, cols)

pts1 = np.float32([[58, 2], [167, 9], [8, 196], [126, 196]])# 输入图像四个顶点坐标
pts2 = np.float32([[16, 2], [167, 8], [8, 196], [169, 196]])# 输出图像四个顶点坐标

# 生成透视变换矩阵
M = cv2.getPerspectiveTransform(pts1, # 输入图像四个顶点坐标
                                pts2) # 输出图像四个顶点坐标
print(M.shape)
# 执行透视变换，返回变换后的图像
dst = cv2.warpPerspective(img, # 原始图像
                          M, # 3*3的变换矩阵
                          (cols, rows)) # 输出图像大小


# 生成透视变换矩阵
M = cv2.getPerspectiveTransform(pts2, # 输入图像四个顶点坐标
                                pts1) # 输出图像四个顶点坐标
# 执行透视变换，返回变换后的图像
dst2 = cv2.warpPerspective(dst, # 原始图像
                          M, # 3*3的变换矩阵
                          (cols, rows)) # 输出图像大小
cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.imshow("dst2", dst2)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

8）图像腐蚀

# 图像腐蚀
import cv2
import numpy as np

# 读取原始图像
im = cv2.imread("../data/5.png")
cv2.imshow("im", im)

# 腐蚀
kernel = np.ones((3, 3), np.uint8) # 用于腐蚀计算的核
erosion = cv2.erode(im, # 原始图像
                    kernel,  # 腐蚀核
                    iterations=3) # 迭代次数
cv2.imshow("erosion", erosion)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

9）图像膨胀

# 图像膨胀
import cv2
import numpy as np

# 读取原始图像
im = cv2.imread("../data/6.png")
cv2.imshow("im", im)

# 膨胀
kernel = np.ones((3, 3), np.uint8)  # 用于膨胀计算的核
dilation = cv2.dilate(im,  # 原始图像
                      kernel,  # 膨胀核
                      iterations=5)  # 迭代次数
cv2.imshow("dilation", dilation)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

10）图像开运算

# 开运算示例
import cv2
import numpy as np

# 读取原始图像
im1 = cv2.imread("../data/7.png")
im2 = cv2.imread("../data/8.png")

# 执行开运算
k = np.ones((10, 10), np.uint8)
r1 = cv2.morphologyEx(im1, cv2.MORPH_OPEN, k)
r2 = cv2.morphologyEx(im2, cv2.MORPH_OPEN, k)

cv2.imshow("im1", im1)
cv2.imshow("result1", r1)

cv2.imshow("im2", im2)
cv2.imshow("result2", r2)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

11）图像闭运算

# 闭运算示例
import cv2
import numpy as np

# 读取图像
im1 = cv2.imread("../data/9.png")
im2 = cv2.imread("../data/10.png")

# 闭运算
k = np.ones((8, 8), np.uint8)
r1 = cv2.morphologyEx(im1, cv2.MORPH_CLOSE, k, iterations=2)
r2 = cv2.morphologyEx(im2, cv2.MORPH_CLOSE, k, iterations=2)

cv2.imshow("im1", im1)
cv2.imshow("result1", r1)
cv2.imshow("im2", im2)
cv2.imshow("result2", r2)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

12）形态学梯度

# 形态学梯度示例
import cv2
import numpy as np

o = cv2.imread("../data/6.png")

k = np.ones((3, 3), np.uint8)
r = cv2.morphologyEx(o, cv2.MORPH_GRADIENT, k)

cv2.imshow("original", o)
cv2.imshow("result", r)

cv2.waitKey()
cv2.destroyAllWindows()

执行结果：

在这里插入图片描述

NJU_AI_NB
关注
专栏目录
opencv c++ 图像形态学操作
lucust的博客
12-06 1937
包括图像的腐蚀、膨胀、开、闭、形态学梯度、顶帽、黑帽、分支主题、结构元素等操作。 具体概念参考：(41条消息) 图像处理-形态学处理_Good@dz的博客-CSDN博客_图像处理 形态学 用3×3的核去扫描二值图像，当核与图像中的前景像素（值为1的像素）有交集时，则将二值图像中对应的卷积核中心位置的像素值置为1。 拓展：卷积核可以为任意形状（除1×1），且重置点可以选用卷积核中的任意位置，有‘交集‘就对重置点位置像素置1。 用3×3的核
OpenCV——图像形态学操作
小铅笔
06-21 827
图像形态学腐蚀可以将细小的噪声区域去除，但是会将图像主要区域的面积缩小，造成主要区域的形状发生改变；图像形态学膨胀可以扩充每一个区域的面积，填充较小的空洞，但是同样会增加噪声的面积。根据两者的特性将图像腐蚀和膨胀适当的结合，便可以既去除图像中的噪声，又不缩小图像中主要区域的面积；既填充了较小的空洞，又不增加噪声所占的面积。 ...
python+opencv图像形态变换
a670941001的博客
05-12 967
形态变换主要用于二值图像的形状操作，形态变换的实现原理基于数字形态学。数字形态学也称形态学，它主要从图像内部提取信息来描述图像形态。形态学广泛应用于视觉检测、文字识别、医学图像处理、图像压缩编码等。形态变换主要包括腐蚀、膨胀和高级形态操作。形态变换是一些基于图像形状的简单操作。通常在二进制图像上执行，当然也可以在多通道图像上执行。形态变换包括：腐蚀、膨胀、开运算、闭运算、形态学梯度、顶帽操作、黑帽操作
OpenCV图像处理（全）
热门推荐
shinuone的博客
08-30 6万+
备注：以下源码均可运行，不同项目涉及的函数均有详细分析说明。
【Python_Opencv图像处理框架】图像形态学操作
m0_73222051的博客
04-23 697
Opencv图形形态学：腐蚀与膨胀，礼帽与黑帽
OpenCV中图像形态学操作
小白学视觉
05-25 455
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 本文转自：视学算法图像形态学是图像处理的分支学科，在二值图像处理中占有重要地位、OpenCV中实现...
OPENCV图像形态学操作（开，闭，礼帽，黑帽）
m0_49586319的博客
05-16 288
图像常见的形态学处理（开闭运算，礼帽黑帽运算）
opencv 图像形态变换·讲解
笔岸柳影
03-19 1140
（包含不同形状内核的创建）详细讲解opencv图形形态变换（转换）的方法，以及不同形状的内核创建方法讲解。
OpenCV之形态学操作详解
qq_37835727的博客
08-11 1594
OpenCV 形态学操作详解 形态学7大操作 膨胀 腐蚀 开操作 闭操作 形态学梯度 顶帽 黑帽
OpenCV图像处理
2301_81887304的博客
02-23 1163
*例如，在二进制图像中，如果输入图像中属于内核范围的任何像素设置为值 1，则输出图像的相应像素也将设置为 1。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”。（也称为内核）处理图像。通过选择内核的大小和形状，您可以构建对输入图像的特定形状敏感的形态操作。正如我们在理论中指定的那样，为了提取我们想要的对象，我们需要创建相应的结构元素。如上所述，一般来说，在任何形态学操作中，用于探测输入图像的结构元素是最重要的部分。
(一)OpenCV图像处理基础_11_形态学操作
01-07
形态学操作 主要应用于 二值图像 morphologyEx(src, dest, CV_MOP_BLACKHAT, kernel); Mat src：输入图像 Mat dest：输出结果 int OPT：CV_MOP_OPEN/ CV_MOP_CLOSE/ CV_MOP_GRADIENT / CV_MOP_TOPHAT/ CV_MOP_...
基于OpenCV的图像形态学处理.zip
12-26
形态学（morphology）一词...简单来讲，形态学操作就是基于形状的一系列图像处理操作。OpenCV 为进行图像的形 态学变换提供了快捷、方便的函数。最基本的形态学操作有两种，分别是：膨胀（dilate） 与腐蚀（erode）。
C++ - opencv - 图像增强 - 文本图像增强
05-14
- **形态学操作**：膨胀和腐蚀等操作能进一步优化文本结构，消除小噪声点。 7. **总结** - C++与OpenCV结合提供了强大的图像处理能力，对于文本图像增强，通过应用各种算法和技巧，可以显著提升图像质量，提高...
opencv形态学操作实例下载
11-12
OpenCV形态学操作是计算机视觉领域中的重要技术，主要用于图像处理和分析。这些操作基于数学形态学理论，能够有效地对图像进行噪声去除、边缘检测、物体分离等任务。本实例下载包含OpenCV库中形态学操作的相关接口...
《深度学习》OpenCV 角点检测、特征提取SIFT 原理及案例解析
wx_AHao1004Y的博客
09-29 1196
角点检测是计算机视觉中的一种特征检测方法，用于寻找图像中的角点或者具有角点特征的图像区域。角点是指图像中突然改变方向的点，即在其周围的不同方向上都有较大的灰度变化。角点具有一些特殊性质，如旋转不变性、尺度不变性和光照不变性等，因此在图像处理和计算机视觉中具有广泛的应用。特征提取是指从原始数据中提取出具有辨识性和代表性的特征，用于描述和表示数据的关键信息。在计算机视觉、模式识别和机器学习等领域，特征提取是一项关键的任务，因为原始数据通常含有大量冗余和噪声，通过提取特征可以减少数据的维度、去除冗余信息。
03_OpenCV像素操作
A_Lv123的博客
09-28 799
image_widget2.value = bgr8_to_jpeg(img) #经过像素操作的。image_widget1.value = bgr8_to_jpeg(img1) #原始的。#bgr8转jpeg格式。
OPENCV判断图像中目标物位置及多目标物聚类
最新发布
新兴IT民工的专栏
09-30 722
在最近的项目中，又碰到一个有意思的问题需要通过图像算法来解决。就是显微拍摄的到的医疗图像中，有时候目标物比较偏，也就是在图像的比较偏的位置，需要通过移动样本，将目标物置于视野正中央，然后再次进行拍摄。基于这个需求，在图像上就需要使用图像算法进行判断(没有必要使用深度网络的时候就不要用，太浪费资源了)。调整的距离就是这个矩形的中央到整个图像的中央坐标了。
02_OpenCV图片写入
A_Lv123的博客
09-28 421
cv2.imshow('image', img) #这段需要在树莓派图形化界面命令行执行，会显示一个图像的窗口。cv2.imwrite('夕阳.jpg', img) # 1 name 2 data。# 1 文件的读取 2 封装格式解析 3 数据解码 4 数据加载。img = cv2.imread('夕阳.jpg', 1)img = cv2.imread('夕阳.jpg',1)#bgr8转jpeg格式。
Python人工智能使用OpenCV进行图片形状的中心检测
人工智能研究所的博客
09-30 459
我们都知道正方形（长方形）的中心是2条对角线的交点，圆的中心是一个圆的圆心，如何在对象检测以及图片检测与识别领域，判断一个形状的中心，便是计算机视觉领域中的一个基础检测
python opencv 图像形态学开操作
06-12
以下是一些基本的图像形态学操作： 1. 导入OpenCV库 ``` import cv2 import numpy as np ``` 2. 读取图像文件 ``` img = cv2.imread('image.jpg', 0) ``` 3. 定义结构元素 ``` kernel = np.ones((5,5),np.uint...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

NJU_AI_NB

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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