图像的膨胀( Dilation )和腐蚀( Erosion )是两种基本的形态学运算,主要用来寻找图像中的极大区域和极小区域。其中膨胀类似于 “ 领域扩张 ” ,将图像中的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大;腐蚀类似于 “ 领域被蚕食 ” ,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。
1. 图像膨胀
膨胀的运算符是 “⊕”,其定义如下:
该公式表示用 B 来对图像 A 进行膨胀处理,其中 B 是一个卷积模板或卷积核,其形状可以为正方形或圆形,通过模板 B 与图像 A 进行卷积计算,扫描图像中的每一个像素点,用模板元素与二值图像元素做 “ 与 ” 运算,如果都为 ,那么目标像素点为 ,否则为 1 。从而计算 B 覆盖区域的像素点最大值,并用该值替换参考点的像素值实现膨胀。下图是将左边的原始图像 A 膨胀处理为右边的效果图 A⊕B 。
2.图像腐蚀
腐蚀的运算符是 “-”,其定义如下:
该公式表示图像 A 用卷积模板 B 来进行腐蚀处理,通过模板 B 与图像 A 进行卷积计算,得出 B 覆盖区域的像素点最小值,并用这个最小值来替代参考点的像素值。如图所示,将左边的原始图像 A 腐蚀处理为右边的效果图 A-B 。
处理结果如下图所示:
二. 图像腐蚀代码实现
1. 基础理论
形态学转换主要针对的是二值图像( 或 1 )。图像腐蚀类似于“领域被蚕食”,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。其主要包括两个输入对象:
(1) 二值图像
(2) 卷积核
卷积核是腐蚀中的关键数组,采用 numpy 库可以生成。卷积核的中心点逐个像素扫描原始图像,如下图所示:
被扫描到的原始图像中的像素点,只有当卷积核对应的元素值均为 1 时,其值才为 1 ,否则其值修改为 。换句话说,遍历到的黄色点位置,其周围全部是白色,保留白色,否则变为黑色,图像腐蚀变小。
2. 函数原型
图像腐蚀主要使用的函数为 erode ,其原型如下:
dst = cv2.erode(src, kernel, iterations)
参数 dst 表示处理的结果, src 表示原图像, kernel 表示卷积核, iterations 表示迭代次数。下图表示 5*5 的卷积核,可以采用函数 np.ones((5,5), np.uint8) 构建。
注意:迭代次数默认是 1 ,表示进行一次腐蚀,也可以根据需要进行多次迭代,进行多次腐蚀。
3. 代码实现
完整代码如下所示:
输出结果如下图所示:
由图可见,干扰的细线被进行了清洗,但仍然有些轮廓,此时可设置迭代次数进行腐蚀。
erosion = cv2.erode(src, kernel,iterations=9)
输出结果如下图所示:
三 . 图像膨胀代码实现
1. 基础理论
图像膨胀是腐蚀操作的逆操作,类似于 “领域扩张”,将图像中的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大,线条变粗了,主要用于去噪。
(1) 图像被腐蚀后,去除了噪声,但是会压缩图像。
(2) 对腐蚀过的图像,进行膨胀处理,可以去除噪声,并且保持原有形状。
它也包括两个输入对象:
(1) 二值图像或原始图像
(2) 卷积核
卷积核是腐蚀中的关键数组,采用 numpy 库可以生成。卷积核的中心点逐个像素扫描原始图像,如下图所示:
被扫描到的原始图像中的像素点,当卷积核对应的元素值只要有一个为 1 时,其值就为 1 ,否则为 。
2. 函数原型
图像膨胀主要使用的函数为 dilate ,其原型如下:
dst = cv2.dilate(src, kernel, iterations)
参数 dst 表示处理的结果, src 表示原图像, kernel 表示卷积核, iterations 表示迭代次数。下图表示 5*5 的卷积核,可以采用函数 np.ones((5,5), np.uint8) 构建。
注意:迭代次数默认是 1 ,表示进行一次膨胀,也可以根据需要进行多次迭代,进行多次膨胀。通常进行 1 次膨胀即可。
3. 代码实现
完整代码如下所示:
输出结果如下所示:
图像去噪通常需要先腐蚀后膨胀,这又称为开运算,下篇文章将详细介绍。如下图所示:
erosion = cv2.erode(src, kernel)
result = cv2.dilate(erosion, kernel)
来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31555587/viewspace-2221427/,如需转载,请注明出处,否则将追究法律责任。
转载于:http://blog.itpub.net/31555587/viewspace-2221427/