【Numpy】图像处理——腐蚀与膨胀

已于 2024-02-22 17:15:17 修改
阅读量461 收藏 8
点赞数 4
分类专栏： 图像护理 文章标签： numpy 图像处理 人工智能
于 2024-02-21 15:27:29 首次发布
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/qq_34108802/article/details/136212823
版权

文章目录

前言

  我们选择对全局二值化后的图像进行腐蚀、膨胀操作。
  腐蚀与膨胀类似于滤波算法，只不过腐蚀的滤波运算结果是二值图像某一邻域内的最小值，也可理解为该邻域内像素的相与运算结果。膨胀的滤波运算结果是二值化图像某一邻域内的最大值，即该邻域内像素的或运算结果。

腐蚀

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

#步骤一：获取图像的灰度直方图数据

#读取图像数据
img = Image.open("TIGA.jpg")

plt.title("image_origin")
plt.imshow(img,cmap="brg")
plt.show()

#将图像数据转化成numpy类型的数组
img_arr = np.array(img)

#将图像转化成灰度图
image = img_arr[:,:,0] * 0.299 + img_arr[:,:,1] * 0.587 + img_arr[:,:,2] * 0.114
image = np.ceil(image)   #对数组数据向上取整

plt.title("image_gray")
plt.imshow(image,cmap="gray")
plt.show()

height,width = image.shape


# #生成图像的直方图数据
hist = np.zeros((256,1))
for i in range(height):
    for j in range(width):
        hist[int(image[i,j]),0] += 1

        
#步骤二：类间方差计算
        
#获取灰度级
grayscale = range(256)

#像素总数
num_pixels = height * width
        
#根据直方图数据计算灰度值的总和
total_gray = np.dot(hist[:,0],grayscale)

#计算整个图像的平均灰度值，以作为预设的灰度值阈值初值
m = total_gray / num_pixels  

#创建存储类间方差的数组（两个集合一共是由256种不同的阈值分割的，因此产生的类间方差也就有256种）
sigma_array = np.zeros(256)

#根据阈值处置生成两个集合（当然循环操作）
for T in range(256):
    num_G1 = np.sum(hist[:T,0])  #统计G1的像素数量
    sum_G1 = np.dot(hist[:T,0],range(T))   #统计G1的灰度值总和
    num_G2 = num_pixels - num_G1     #统计G2的像素数量
    sum_G2 = total_gray - sum_G1     #统计G2的灰度值总和
    
    P1 = num_G1 / num_pixels
    P2 = num_G2 / num_pixels
    
    #分别求两个集合的平均灰度(记得一定要取整)
    m1 = (sum_G1 / num_G1) if  num_G1 > 0 else 0
    m2 = (sum_G2 / num_G2) if  num_G2 > 0 else 0
    
    #计算当前迭代所用阈值得到的类间方差
    sigma_array[T] = P1 * (m1 - m) ** 2  + P2 * (m2 - m) ** 2

#步骤三：根据上一步骤得到的类间方差数组，找寻最大类间方差对应的阈值，作为最优阈值。
max = np.max(sigma_array)
max_index = np.argmax(sigma_array)    # numpy.argmax()  Returns the indices of the maximum values along an axis.

T = max_index

print("使用的Otsu后的全局最优阈值：" + str(T))

#步骤四：阈值处理

#创建阈值处理后的新图像
image_threshold = np.zeros((height,width))
for i in range(height):
    for j in range(width):
        if image[i,j] < T:
            image_threshold[i,j] = 0
        else:
            image_threshold[i,j] = 255

plt.title("image_threshold_total_Ostu")
plt.imshow(image_threshold,cmap="gray")
plt.show()

#步骤五：腐蚀

  
#滤波运算法进行腐蚀
def filter_erode(img,filter_size):
    #获取原图高和宽
    height,width = img.shape
    
    #根据原图大小创建新图
    img_erode = np.ones((height,width))
    
    #根据参数filter_size，即滤波核大小，创建滤波器
    filter = np.ones((filter_size,filter_size))
    
    #新图像最外围的((filter_size - 1) / 2)圈不赋值，默认都是1就行。
    for i in range(int((filter_size-1)/2),height-int((filter_size-1)/2)):
        for j in range(int((filter_size-1)/2),width-int((filter_size-1)/2)):
            img_erode[i][j] = np.min(np.dot(img[i-int((filter_size-1)/2):i+int((filter_size-1)/2)+1,j-int((filter_size-1)/2):j+int((filter_size-1)/2)+1],filter))
            
    return img_erode

#3*3滤波的一次腐蚀
img_erode = filter_erode(image_threshold,3)

plt.title("image_eorde(3*3_one_times)")
plt.imshow(img_erode,cmap="gray")
plt.show()

#3*3滤波的两次腐蚀
img_erode_2 = filter_erode(filter_erode(image_threshold,3),3)

plt.title("image_eorde(3*3_two_times)")
plt.imshow(img_erode_2,cmap="gray")
plt.show()

#9*9滤波的一次腐蚀
img_erode_3 = filter_erode(image_threshold,9)

plt.title("image_eorde(9*9_one_times)")
plt.imshow(img_erode_3,cmap="gray")
plt.show()

#9*9滤波的两次腐蚀
img_erode_4 = filter_erode(filter_erode(image_threshold,9),9)

plt.title("image_eorde(9*9_two_times)")
plt.imshow(img_erode_4,cmap="gray")
plt.show()

print(img_erode_4)

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

[[1. 1. 1. ... 1. 1. 1.]
 [1. 1. 1. ... 1. 1. 1.]
 [1. 1. 1. ... 1. 1. 1.]
 ...
 [1. 1. 1. ... 1. 1. 1.]
 [1. 1. 1. ... 1. 1. 1.]
 [1. 1. 1. ... 1. 1. 1.]]

  尽管出现了虚影，但仍旧是二值化图像。

膨胀

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

#步骤一：获取图像的灰度直方图数据

#读取图像数据
img = Image.open("TIGA.jpg")

plt.title("image_origin")
plt.imshow(img,cmap="brg")
plt.show()

#将图像数据转化成numpy类型的数组
img_arr = np.array(img)

#将图像转化成灰度图
image = img_arr[:,:,0] * 0.299 + img_arr[:,:,1] * 0.587 + img_arr[:,:,2] * 0.114
image = np.ceil(image)   #对数组数据向上取整

plt.title("image_gray")
plt.imshow(image,cmap="gray")
plt.show()

height,width = image.shape


# #生成图像的直方图数据
hist = np.zeros((256,1))
for i in range(height):
    for j in range(width):
        hist[int(image[i,j]),0] += 1

        
#步骤二：类间方差计算
        
#获取灰度级
grayscale = range(256)

#像素总数
num_pixels = height * width
        
#根据直方图数据计算灰度值的总和
total_gray = np.dot(hist[:,0],grayscale)

#计算整个图像的平均灰度值，以作为预设的灰度值阈值初值
m = total_gray / num_pixels  

#创建存储类间方差的数组（两个集合一共是由256种不同的阈值分割的，因此产生的类间方差也就有256种）
sigma_array = np.zeros(256)

#根据阈值处置生成两个集合（当然循环操作）
for T in range(256):
    num_G1 = np.sum(hist[:T,0])  #统计G1的像素数量
    sum_G1 = np.dot(hist[:T,0],range(T))   #统计G1的灰度值总和
    num_G2 = num_pixels - num_G1     #统计G2的像素数量
    sum_G2 = total_gray - sum_G1     #统计G2的灰度值总和
    
    P1 = num_G1 / num_pixels
    P2 = num_G2 / num_pixels
    
    #分别求两个集合的平均灰度(记得一定要取整)
    m1 = (sum_G1 / num_G1) if  num_G1 > 0 else 0
    m2 = (sum_G2 / num_G2) if  num_G2 > 0 else 0
    
    #计算当前迭代所用阈值得到的类间方差
    sigma_array[T] = P1 * (m1 - m) ** 2  + P2 * (m2 - m) ** 2

#步骤三：根据上一步骤得到的类间方差数组，找寻最大类间方差对应的阈值，作为最优阈值。
max = np.max(sigma_array)
max_index = np.argmax(sigma_array)    # numpy.argmax()  Returns the indices of the maximum values along an axis.

T = max_index

print("使用的Otsu后的全局最优阈值：" + str(T))

#步骤四：阈值处理

#创建阈值处理后的新图像
image_threshold = np.zeros((height,width))
for i in range(height):
    for j in range(width):
        if image[i,j] < T:
            image_threshold[i,j] = 0
        else:
            image_threshold[i,j] = 255

plt.title("image_threshold_total_Ostu")
plt.imshow(image_threshold,cmap="gray")
plt.show()

#步骤五：膨化

#滤波运算法进行膨化
def filter_dilate(img,filter_size):
    #获取原图高和宽
    height,width = img.shape
    
    #根据原图大小创建新图
    img_dilate = np.ones((height,width))
    
    #根据参数filter_size，即滤波核大小，创建滤波器
    filter = np.ones((filter_size,filter_size))
    
    #新图像最外围的((filter_size - 1) / 2)圈不赋值，默认都是1就行。
    for i in range(int((filter_size-1)/2),height-int((filter_size-1)/2)):
        for j in range(int((filter_size-1)/2),width-int((filter_size-1)/2)):
            img_dilate[i][j] = np.max(np.dot(img[i-int((filter_size-1)/2):i+int((filter_size-1)/2)+1,j-int((filter_size-1)/2):j+int((filter_size-1)/2)+1],filter))
            
    return img_dilate

#3*3滤波的一次腐蚀
img_dilate = filter_dilate(image_threshold,3)

plt.title("image_dilate(3*3_one_times)")
plt.imshow(img_dilate,cmap="gray")
plt.show()

#3*3滤波的两次腐蚀
img_dilate_2 = filter_dilate(filter_dilate(image_threshold,3),3)

plt.title("image_dilate(3*3_two_times)")
plt.imshow(img_dilate_2,cmap="gray")
plt.show()

#9*9滤波的一次腐蚀
img_dilate_3 = filter_dilate(image_threshold,9)

plt.title("image_dilate(9*9_one_times)")
plt.imshow(img_dilate_3,cmap="gray")
plt.show()

#9*9滤波的两次腐蚀
img_dilate_4 = filter_dilate(filter_dilate(image_threshold,9),9)

plt.title("image_dilate(9*9_two_times)")
plt.imshow(img_dilate_4,cmap="gray")
plt.show()

print(img_dilate_4)

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

[[1. 1. 1. ... 1. 1. 1.]
 [1. 1. 1. ... 1. 1. 1.]
 [1. 1. 1. ... 1. 1. 1.]
 ...
 [1. 1. 1. ... 1. 1. 1.]
 [1. 1. 1. ... 1. 1. 1.]
 [1. 1. 1. ... 1. 1. 1.]]

结语

  尤其是 9 × 9 9\times9 9×9的滤波，最为明显，我们会发现腐蚀之后的图像是黑色区域较多，膨胀之后的图像是白色区域较多。

Cherry Yuan
关注
  • 4
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
【ISP图像处理】Tone Mapping基础知识及相关算法（附代码）
ROYOLE'S
10-24 3117
一般LDR（Low Dynamic Range）图像的颜色显示范围通常只有8位，即每个颜色通道的颜色数值有2^8=256个等级。这个量级用于描述现实场景中的景象往往十分有限，以LDR储存图像往往需要对颜色进行压缩。为了更加真实还原真实场景的颜色，HDR图像应运而生，一般通道位数超过8位，便可称为HDR，常见有12位和16位。虽然存储图像的信息量提升了，但是现在使用的大部分显示设备宽动态范围只有100:1甚至更低。为了使得HDR图像能够在低动态范围的显示设备上显示，Tone Mapping技术便十分重要。
RGB转换成灰度图像的一个常用公式Gray = R*0.299 + G*0.587 + B*0.114
量子孤岛
01-13 2万+
RGB转换成灰度图像的一个常用公式是： Gray = R*0.299 + G*0.587 + B*0.114 //灰度转换函数******* //第一个参数image输入的彩色RGB图像的引用； //第二个参数imageGray是转换后输出的灰度图像的引用； //******************************************************* #include &lt...
图像处理--图像特效
ting2909的博客
08-10 1231
在讲解图像特效之前，我们先get一下做灰度图像的四种方法。 方法一：通过设置imread的第二个参数，来实现图片的灰度处理。 方法二：cv库提供了一个函数cvtColor，来实现图片的灰度处理。 方法三：Gray = (B+G+R)/3 根据BGR的均值作为计算。 方法四：Gray = R0.299 + G0.587 + B*0.114 根据线性规则来做运算。心理学计算公式。也是概率分布的。 方法五：灰度图像处理的算法的优化。gray = (B1+G2+R*1)/4 我们先来讲解一下方法一： 方法一：通过设
opencv批量灰度转换_OpenCV 学习笔记（9）RGB转换成灰度图像的一个常用公式Gray = R*0.299 + G*0.587 + B*0.114...
weixin_34902502的博客
12-24 558
RGB转换成灰度图像的一个常用公式是：Gray = R*0.299 + G*0.587 + B*0.114//灰度转换函数*******//第一个参数image输入的彩色RGB图像的引用；//第二个参数imageGray是转换后输出的灰度图像的引用；//*******************************************************#include using nam...
图像基本处理——腐蚀和膨胀
Harriet的博客
10-15 1万+
文章目录一、形态学——腐蚀二、形态学——膨胀三、腐蚀和膨胀组合运算（一）开运算（二）闭运算（三）梯度运算四、礼帽和黑帽（一）礼帽（二）黑帽 一、形态学——腐蚀 腐蚀就是通过卷积核，将边界部分向内部靠近，逐步腐蚀掉。 opencv腐蚀函数 def erode(src: Any, kernel: Any, dst: Any = None, anchor: Any = None, iterations: Any = None,
数字图像处理(12): 形态学处理——图像腐蚀与图像膨胀
热门推荐
TechArtisan6的博客
05-03 2万+
目录 1 形态学操作 2 图像腐蚀 3 图像膨胀 参考资料 1 形态学操作 形态学（morphology）一词通常表示生物学的一个分支，该分支主要研究动植物的形态和结构。这里，我们使用同一词语表示数学形态学的内容，将数学形态学作为工具从图像中提取表达和描绘区域形状的有用图像分量，如边界、骨架和凸壳等。 形态学处理主要针对的是二值图像（0或1）。 形态学通常使用图像腐蚀和图像膨胀...
图像处理——图像的形态学操作：腐蚀与膨胀
qq_43747776的博客
02-26 2028
什么是形态学操作？ 一系列操作基于形状来操作图像，形态学操作通过在图像上应用结构元素来产生输出图像。 改变物体的形状，比如腐蚀就是“变瘦”，膨胀就是“变胖”，如下面这张图所示： 然后包括膨胀与腐蚀在内，一系列的这两者各种叠加作用的操作都称为图像的形态学操作。 最基础的形态学操作就是腐蚀和膨胀。它包含广泛的应用： 移除噪声 孤立一些单独的元素和聚合一些分散的元素 找到图像中的局部块状或者孔 2...
python + opencv图像处理——膨胀与腐蚀
小黄的博客
11-07 989
图像形态学： ①是图像处理学科的一个单独分支学科 ②灰度与二值图像重要手段 ③是由数学的集合论等相关理论发展起来的 膨胀（Dilate） 可认为是最大值滤波 33的结构元素/模板 用覆盖住的最大值代替中心像素 膨胀的作用： ①对象大小增加一个像素（33） ②平滑对象边缘 ③减少或者填充对象之间的距离 注意：腐蚀与膨胀都支持任意形状的结构元素 腐蚀（Erode） 最小值替换中心像素 腐蚀的作用： ①...
Python+OpenCV图像处理——实现轮廓发现
01-19
简介：轮廓发现是基于图像边缘提取的基础寻找对象轮廓的方法，所以边缘提取的阈值选定会影响最终轮廓发现结果。 代码如下： import cv2 as cv import numpy as np def contours_demo(image): dst = cv.Gaussian...
使用numpy和PIL进行简单的图像处理方法
09-20
今天小编就为大家分享一篇使用numpy和PIL进行简单的图像处理方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
numpy数组示例——1、数组的创建
12-22
import numpy as np #numpy.array(object,dtype=None) a1=np.array([1,3,2,5,4],dtype=int)#一维 a2=np.array([[1,2,3,4,5,6],[3,5,7,9,11,13],[2,3,4,5,6,7]],dtype=int)#二维 a3=np.array([[[1,2,3],[2,3,4],[1,3,...
Numpy基础使用——基于jupyter
02-21
该文件是.ipynb，可直接...本文内容包括： 一、创建Ndarray数组 二、Numpy的数据类型 三、数组的切片和索引 四、Numpy广播与数组操作 五、数组合并与通用函数 六、Numpy的统计函数 七、Numpy随机数、逻辑运算与数据存取
Python+OpenCV图像处理——图像二值化的实现
12-16
简介：图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。 普通图像二值化 代码如下： import cv2 as cv import numpy as np #全局阈值 def threshold_demo(image...
图像处理：基础——腐蚀与膨胀 OpenCV v4.8.0
hirshdz327的博客
10-08 72
在本教程中，您将学习如何以下解释来自 Bradski 和 Kaehler 合著的《》一书。这种操作是将图像 A 与某个核（B）卷积，核的形状和大小可以是任何形状和大小，通常是正方形或圆形。核 B 有一个确定的锚点，通常是核的中心点。当核 B 在图像上扫描时，我们会计算与核 B 重叠的最大像素值，并用该最大值替换锚点位置上的图像像素。由此可以推断，这种最大化操作会使图像中的明亮区域 “扩大”（因此被称为 “膨胀”）。
数据可视化（十二）：Pandas太阳黑子数据、图像处理——离散极值、核密度、拟合曲线、奇异值分解等高级操作
m0_60732994的博客
05-13 1187
1. 给定一组离散数据点，使用 scipy.interpolate 中的插值方法（如线性插值、样条插值等）对其进行插值，并绘制插值结果。 2. 使用 scipy.optimize 中的优化算法，找到函数的最小值点，并在图中标出最小值点。 3. 绘制正态分布数据的直方图和概率密度函数曲线 4. 对一组实验数据进行曲线拟合，使用 scipy.optimize.curve_fit 函数拟合一个非线性函数，并绘制原始数据和拟合曲线。 5. 对以下函数进行数值积分，并绘制函数曲线以及积分结果的区域。 6. 使用 sc
智能决策引擎架构设计
最新发布
猫七姑娘的小博客
05-15 1059
智能决策引擎系统是在大数据支撑下，根据行业专家经验制定规则策略、以及机器学习/深度学习/AI领域建立的模型运算，对当前的业务进行全面的评估，并给出决策结果的一套系统。一套商业决策引擎系统动辄百万而且需要不断加钱定制，大多数企业最终仍会走上自研道路，市场上有些开源规则引擎项目可参考，比较出名的开源规则引擎有drools、urule，都是基于Rete算法，都是基于java代码实现，一些企业会进行二次开发落地生产。而这类引擎功能强大但也比较“笨重”，易用性以及定制性并不够好，对其他语言栈二次开发困难。
numpy的图像处理
09-29
numpy是一个功能强大的数学库，也可以用于图像处理。通过numpy，你可以对图像进行各种操作，例如颜色通道分离、灰度图转换等。 要获取图像的颜色通道，你可以使用get_color_channels函数。这个函数会将图像的RGB三个通道分离出来，并返回一个包含各通道数据的列表。 要生成一个全黑的图像，你可以使用np.zeros函数。通过指定shape参数为(500,500,3)，并将dtype参数设置为np.uint8，你将得到一个尺寸为500x500，每个像素值为0的黑色图像。 对于灰度图转换，你可以使用点积的方法。通过定义一个权重数组temp = np.array([ 0.299, 0.587, 0.114])，你可以将图像与temp进行点积运算，并使用cmap="gray"参数来显示灰度图像。

“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 1
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

Cherry Yuan

再多的奖励也换不回失去的头发

¥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