cv2.morphologyEx()
是 OpenCV 库中的一个函数,用于执行更复杂的形态学操作。这个函数可以执行开运算、闭运算、梯度运算、膨胀、腐蚀以及顶帽和黑帽转换等。这些操作通常用于图像预处理,如去除噪声、平滑边界、突出特征等。
dst = cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
参数说明:
src
:输入图像,可以是灰度图像或彩色图像。op
:指定要执行的形态学操作类型,可以是以下值之一:cv2.MORPH_ERODE
:腐蚀操作cv2.MORPH_DILATE
:膨胀操作cv2.MORPH_OPEN
:开运算(先腐蚀后膨胀)cv2.MORPH_CLOSE
:闭运算(先膨胀后腐蚀)cv2.MORPH_GRADIENT
:梯度运算(膨胀图像减去腐蚀图像)cv2.MORPH_TOPHAT
:顶帽运算(原图像减去开运算图像)cv2.MORPH_BLACKHAT
:黑帽运算(闭运算图像减去原图像)
kernel
:结构元素,用于定义操作的尺寸和形状。dst
:输出图像,与输入图像具有相同的大小和类型。anchor
:结构元素的锚点(默认为 (-1, -1),即结构元素的中心)。iterations
:操作的迭代次数(默认为 1)。borderType
:边界像素的填充方式(默认为cv2.BORDER_CONSTANT
)。borderValue
:用于边界填充的值(默认为 0)
膨胀操作
wenzi = cv2.imread("4.png")
kernel = np.ones((2,2), np.uint8)# 创建一个2x2的结构元素
# 对图像进行膨胀操作,可以增大图像中的亮区域
pz_wenzi = cv2.dilate(wenzi, kernel, iterations=2)
cv2.imshow("pz_wenzi", pz_wenzi)
腐蚀操作
# 对图像进行腐蚀操作,可以减小图像中的亮区域
fs_wenzi = cv2.erode(wenzi, kernel, iterations=2)
cv2.imshow("fs_wenzi", fs_wenzi)
开运算
sun = cv2.imread("3.png")
kernel = np.ones((2,2), np.uint8)# 创建一个2x2的结构元素
# 对图像进行开运算
open_sun = cv2.morphologyEx(sun, cv2.MORPH_OPEN, kernel)
cv2.imshow("opensun", open_sun)
闭运算
# 对图像进行闭运算,可以填充小的空洞
close_sun = cv2.morphologyEx(sun, cv2.MORPH_CLOSE, kernel)
cv2.imshow("close_sun", close_sun)
梯度操作
# 对图像进行梯度操作,可以突出图像中的边缘
bianyuan = cv2.morphologyEx(wenzi, cv2.MORPH_GRADIENT, kernel)
cv2.imshow("bianyuan", bianyuan)
顶帽操作
# 对图像进行顶帽操作,可以突出比邻近区域亮的区域
tophat = cv2.morphologyEx(sun, cv2.MORPH_TOPHAT, kernel)
cv2.imshow("tophat", tophat)
黑帽操作
# 执行黑帽运算
blackhat_image = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('Black Hat Image', blackhat_image)
在图像处理中,Sobel、Scharr 、 Laplacian和Canny 算子都是用于边缘检测的算法。它们通过计算图像的梯度来识别图像中的边缘。下面是每种算子的简要说明:
Sobel 算子
Sobel 算子是一种用于边缘检测的离散微分算子。它结合了高斯平滑和微分求导,用于计算图像亮度的空间梯度,从而突出图像的边缘。
- 优点:对噪声不太敏感,因为它结合了平滑和微分。
- 缺点:可能会产生不精确的边缘定位。
-
# 使用 Sobel 算子计算 x 方向的梯度 yuan_x = cv2.Sobel(yuan, -1, dx=1, dy=0) # 显示 x 方向的梯度图像 cv2.imshow('yuan_x', yuan_x) # 使用 Sobel 算子计算 x 方向的梯度(64位浮点数) yuan_x_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=1, dy=0) # 显示 64位浮点数的 x 方向梯度图像 cv2.imshow('yuan_x_64', yuan_x_64) # 转换为 8 位无符号整数并显示 yuan_x_full = cv2.convertScaleAbs(yuan_x_64) cv2.imshow('yuan_x_full', yuan_x_full) # 使用 Sobel 算子计算 y 方向的梯度 yuan_y = cv2.Sobel(yuan, -1, dx=0, dy=1) # 显示 y 方向的梯度图像 cv2.imshow('yuan_y', yuan_y) # 使用 Sobel 算子计算 y 方向的梯度(64位浮点数) yuan_y_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=0, dy=1) # 显示 64位浮点数的 y 方向梯度图像 cv2.imshow('yuan_y_64', yuan_y_64) # 转换为 8 位无符号整数并显示 yuan_y_full = cv2.convertScaleAbs(yuan_y_64) cv2.imshow('yuan_y_full', yuan_y_full) # 将 x 和 y 方向的梯度图像合并显示 yuan_xy_full = cv2.addWeighted(yuan_x_full, 1, yuan_y_full, 1, 0) cv2.imshow('yuan_xy_full', yuan_xy_full)
Scharr 算子
Scharr 算子是 Sobel 算子的改进版,它提供了更好的近似。Scharr 算子使用更精确的滤波器系数来计算梯度,因此通常会产生更准确的边缘定位。
- 优点:比 Sobel 算子更精确,因为它使用更精确的滤波器。
- 缺点:计算量略大,因为它使用更大的核。
-
# 使用 Scharr 算子计算 x 方向的梯度(64位浮点数) yuan_x_64 = cv2.Scharr(yuan, cv2.CV_64F, dx=1, dy=0) # 转换为 8 位无符号整数并显示 yuan_x_full = cv2.convertScaleAbs(yuan_x_64) # 注意:这里覆盖了之前显示的 'yuan_x_full' 图像 cv2.imshow('yuan_x_full', yuan_x_full) # 使用 Scharr 算子计算 y 方向的梯度(64位浮点数) yuan_y_64 = cv2.Scharr(yuan, cv2.CV_64F, dx=0, dy=1) # 转换为 8 位无符号整数并显示 yuan_y_full = cv2.convertScaleAbs(yuan_y_64) # 注意:这里覆盖了之前显示的 'yuan_y_full' 图像 cv2.imshow('yuan_y_full', yuan_y_full) # 将 Scharr 算子计算的 x 和 y 方向的梯度图像合并显示 yuan_xy_full = cv2.addWeighted(yuan_x_full, 1, yuan_y_full, 1, 0) cv2.imshow('yuan_xy_full', yuan_xy_full)
Laplacian 算子
Laplacian 算子是一种二阶导数算子,用于检测图像中的边缘。它通过计算图像亮度的二阶导数来工作,可以识别图像中的区域,其中亮度有显著变化。
- 优点:可以检测所有方向的边缘,并且对图像中的噪声不太敏感。
- 缺点:可能会产生多个响应,包括非边缘区域,因为它对二阶导数的零交叉点敏感。
-
# 读取车牌图像 zl = cv2.imread('che.png', cv2.IMREAD_GRAYSCALE) # 使用 Laplacian 算子进行边缘检测 zl_lap = cv2.Laplacian(zl, cv2.CV_64F) # 转换为 8 位无符号整数并显示 zl_lap_full = cv2.convertScaleAbs(zl_lap) cv2.imshow('zl_lap_full', zl_lap_full)
Canny 算子
Canny 算子是一种多阶段算法,用于边缘检测,被认为是最优化的边缘检测算法之一。它包括噪声降低、计算梯度、非极大值抑制、双阈值检测和边缘跟踪等步骤。
- 优点:提供了很好的边缘检测性能,能够准确地检测到边缘并最小化响应错误。
- 缺点:算法相对复杂,计算量较大。
-
zl_canny=cv2.Canny(zl,700,500) cv2.imshow('zl_canny',zl_canny)