Opencv(三)图像膨胀腐蚀及采样、基本阈值操作

最新推荐文章于 2023-02-04 22:01:56 发布
最新推荐文章于 2023-02-04 22:01:56 发布
阅读量456 收藏 1
点赞数 1
分类专栏： opencv C++ 文章标签： opencv 计算机视觉 算法
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/weixin_43314180/article/details/108168423
版权
C++ 同时被 2 个专栏收录
23 篇文章 0 订阅
订阅专栏
opencv
7 篇文章 0 订阅
订阅专栏

形态学操作(morphology operators)-膨胀

图像形态学操作 – 基于形状的一系列图像处理操作的合集，主要是基于集合论基础上的形态学数学
形态学有四个基本操作：腐蚀、膨胀、开、闭
膨胀与腐蚀是图像处理中最常用的形态学操作手段
跟卷积操作类似，假设有图像A和结构元素B，结构元素B在A上面移动，其中B定义其中心为锚点，计算B覆盖下A的最大像素值用来替换锚点的像素，其中B作为结构体可以是任意形状
在这里插入图片描述

形态学操作-腐蚀

腐蚀跟膨胀操作的过程类似，唯一不同的是以最小值替换锚点重叠下图像的像素值
在这里插入图片描述相关API：

getStructuringElement(int shape, Size ksize, Point anchor)

  • 形状 (MORPH_RECT \MORPH_CROSS \MORPH_ELLIPSE)
  • 大小
  • 锚点 默认是Point(-1, -1)意思就是中心像素
    dilate(src, dst, kernel)
    在这里插入图片描述

erode(src, dst, kernel)

在这里插入图片描述

动态调整结构元素大小

TrackBar – createTrackbar(const String & trackbarname, const String winName, int* value, int count, Trackbarcallback func, void* userdata=0)
其中最中要的是 callback 函数功能。如果设置为NULL就是说只有值update，但是不会调用callback的函数。

#include <opencv2/opencv.hpp> 
#include <iostream> 
using namespace cv;

Mat src, dst;
char OUTPUT_WIN[] = "output image";
int element_size = 3;
int max_size = 21;
void CallBack_Demo(int, void*);
int main(int argc, char** argv) {
	
	src = imread("D:/vcprojects/images/test1.png");
	if (!src.data) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input image", CV_WINDOW_AUTOSIZE);
	imshow("input image", src);

	namedWindow(OUTPUT_WIN, CV_WINDOW_AUTOSIZE);
	createTrackbar("Element Size :", OUTPUT_WIN, &element_size, max_size, CallBack_Demo);
	CallBack_Demo(0, 0);

	waitKey(0);
	return 0;
}

void CallBack_Demo(int, void*) {
	int s = element_size * 2 + 1;
	Mat structureElement = getStructuringElement(MORPH_RECT, Size(s, s), Point(-1, -1));
	// dilate(src, dst, structureElement, Point(-1, -1), 1);
	erode(src, dst, structureElement);
	imshow(OUTPUT_WIN, dst);
	return;
}

开操作- open

先腐蚀后膨胀
可以去掉小的对象，假设对象是前景色，背景是黑色
在这里插入图片描述

闭操作-close

先膨胀后腐蚀（bin2）
可以填充小的洞（fill hole），假设对象是前景色，背景是黑色
在这里插入图片描述

形态学梯度- Morphological Gradient

膨胀减去腐蚀
在这里插入图片描述

又称为基本梯度（其它还包括-内部梯度、方向梯度）

在这里插入图片描述

顶帽 – top hat

顶帽 是原图像与开操作之间的差值图像
在这里插入图片描述

黑帽

黑帽是闭操作图像与源图像的差值图像相关API：

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_BLACKHAT 形态学操作类型
    Mat kernel 结构元素
    int Iteration 迭代次数，默认是1
#include <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>

using namespace cv;
int main(int argc, char** argv) {
	Mat src, dst;
	src = imread("D:/vcprojects/images/bin2.png");
	if (!src.data) {
		printf("could not load image...\n");
	}
	namedWindow("input image", CV_WINDOW_AUTOSIZE);
	imshow("input image", src);
	char output_title[] = "morphology demo";
	namedWindow(output_title, CV_WINDOW_AUTOSIZE);

	Mat kernel = getStructuringElement(MORPH_RECT, Size(11, 11), Point(-1, -1));
	morphologyEx(src, dst, CV_MOP_BLACKHAT, kernel);
	imshow(output_title, dst);

	waitKey(0);
	return 0;
}

形态学操作应用-提取水平与垂直线

原理方法：

图像形态学操作时候，可以通过自定义的结构元素实现结构元素
对输入图像一些对象敏感、另外一些对象不敏感，这样就会让敏
感的对象改变而不敏感的对象保留输出。通过使用两个最基本的
形态学操作 – 膨胀与腐蚀，使用不同的结构元素实现对输入图像
的操作、得到想要的结果。

  • 膨胀，输出的像素值是结构元素覆盖下输入图像的最大像素值
  • 腐蚀，输出的像素值是结构元素覆盖下输入图像的最小像素值

二值图像与灰度图像上的膨胀操作：
在这里插入图片描述二值图像与灰度图像上的腐蚀操作：

在这里插入图片描述结构元素：
上述膨胀与腐蚀过程可以使用任意的结构元素
常见的形状：矩形、园、直线、磁盘形状、砖石形状等各种自定义形状。
提取步骤：
输入图像彩色图像 imread
转换为灰度图像 – cvtColor
转换为二值图像 – adaptiveThreshold
定义结构元素
开操作 （腐蚀+膨胀）提取 水平与垂直线

转换为二值图像 – adaptiveThreshold：
adaptiveThreshold(
Mat src, // 输入的灰度图像
Mat dest, // 二值图像
double maxValue, // 二值图像最大值
int adaptiveMethod // 自适应方法，只能其中之一 –
// ADAPTIVE_THRESH_MEAN_C ， ADAPTIVE_THRESH_GAUSSIAN_C
int thresholdType,// 阈值类型
int blockSize, // 块大小
double C // 常量C 可以是正数，0，负数
)

在这里插入图片描述在这里插入图片描述

定义结构元素：

一个像素宽的水平线 - 水平长度 width/30
一个像素宽的垂直线 – 垂直长度 height/30

开操作(腐蚀+膨胀)-检测

在这里插入图片描述

后处理

bitwise_not（Mat bin, Mat dst）像素取反操作，255 – SrcPixel
模糊（blur）
在这里插入图片描述

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
int main(int argc, char** argv) {
	Mat src, dst;
	src = imread("D:/vcprojects/images/chars.png");
	if (!src.data) {
		printf("could not load image...\n");
		return -1;
	}

	char INPUT_WIN[] = "input image";
	char OUTPUT_WIN[] = "result image";
	namedWindow(INPUT_WIN, CV_WINDOW_AUTOSIZE);
	imshow(INPUT_WIN, src);

	Mat gray_src;
	cvtColor(src, gray_src, CV_BGR2GRAY);
	imshow("gray image", gray_src);
	
	Mat binImg;
	adaptiveThreshold(~gray_src, binImg, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 15, -2);
	imshow("binary image", binImg);

	// 水平结构元素
	Mat hline = getStructuringElement(MORPH_RECT, Size(src.cols / 16, 1), Point(-1, -1));
	// 垂直结构元素
	Mat vline = getStructuringElement(MORPH_RECT, Size(1, src.rows / 16), Point(-1, -1));
	// 矩形结构
	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));

	Mat temp;
	erode(binImg, temp, kernel);
	dilate(temp, dst, kernel);
	// morphologyEx(binImg, dst, CV_MOP_OPEN, vline);
	bitwise_not(dst, dst);
	//blur(dst, dst, Size(3, 3), Point(-1, -1));
	imshow("Final Result", dst);

	waitKey(0);
	return 0;
}

图像上采样和降采样

高斯不同(Difference of Gaussian-DOG)

定义：就是把同一张图像在不同的参数下做高斯模糊之后的结果相减，得到的输出图像。称为高斯不同(DOG)
高斯不同是图像的内在特征，在灰度图像增强、角点检测中经常用到。

采样相关API：

上采样(cv::pyrUp) – zoom in 放大
降采样 (cv::pyrDown) – zoom out 缩小

pyrUp(Mat src, Mat dst, Size(src.cols2, src.rows2))
生成的图像是原图在宽与高各放大两倍
pyrDown(Mat src, Mat dst, Size(src.cols/2, src.rows/2))
生成的图像是原图在宽与高各缩小1/2

#include <opencv2/opencv.hpp>
#include <iostream>
#include "math.h"

using namespace cv;
int main(int agrc, char** argv) {
	Mat src, dst;
	src = imread("D:/vcprojects/images/cat.jpg");
	if (!src.data) {
		printf("could not load image...");
		return -1;
	}

	char INPUT_WIN[] = "input image";
	char OUTPUT_WIN[] = "sample up";
	namedWindow(INPUT_WIN, CV_WINDOW_AUTOSIZE);
	namedWindow(OUTPUT_WIN, CV_WINDOW_AUTOSIZE);
	imshow(INPUT_WIN, src);

	// 上采样
	pyrUp(src, dst, Size(src.cols*2, src.rows * 2));
	imshow(OUTPUT_WIN, dst);

	// 降采样
	Mat s_down;
	pyrDown(src, s_down, Size(src.cols / 2, src.rows / 2));
	imshow("sample down", s_down);

	// DOG
	Mat gray_src, g1, g2, dogImg;
	cvtColor(src, gray_src, CV_BGR2GRAY);
	GaussianBlur(gray_src, g1, Size(5, 5), 0, 0);
	GaussianBlur(g1, g2, Size(5, 5), 0, 0);
	subtract(g1, g2, dogImg, Mat());

	// 归一化显示
	normalize(dogImg, dogImg, 255, 0, NORM_MINMAX);
	imshow("DOG Image", dogImg);

	waitKey(0);
	return 0;
}

基本阈值操作

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

#include <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>

using namespace cv;
Mat src, gray_src, dst;
int threshold_value = 127;
int threshold_max = 255;
int type_value = 2;
int type_max = 4;
const char* output_title = "binary image";
void Threshold_Demo(int, void*);
int main(int argc, char** argv) {
	src = imread("D:/vcprojects/images/test.png");
	if (!src.data) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input image", CV_WINDOW_AUTOSIZE);
	namedWindow(output_title, CV_WINDOW_AUTOSIZE);
	imshow("input image", src);
	
	createTrackbar("Threshold Value:", output_title, &threshold_value, threshold_max, Threshold_Demo);
	createTrackbar("Type Value:", output_title, &type_value, type_max, Threshold_Demo);
	Threshold_Demo(0, 0);

	waitKey(0);
	return 0;
}

void Threshold_Demo(int, void*) {
	cvtColor(src, gray_src, CV_BGR2GRAY);
	threshold(src, dst, 0, 255, THRESH_TRIANGLE | type_value);
	imshow(output_title, dst);
}
slsqtx_Lh
关注
专栏目录
数据不平衡、不平衡采样、调整分类阈值、过采样、欠采样、SMOTE、EasyEnsemble、加入数据平衡的流程、代价敏感学习BalanceCascade、
data+scenario+science+insight
06-01 5302
数据不平衡、不平衡采样、调整分类阈值、过采样、欠采样、SMOTE、EasyEnsemble、加入数据平衡的流程、BalanceCascade、代价敏感学习 目录 数据不平衡、不平衡采样、调整分类阈值、过采样、欠采样、SMOTE、EasyEnsemble、加入数据平衡的流程、BalanceCascade、代价敏感学习 不平衡采样 调整分类阈值： 过采样： 欠采样： SMOTE： EasyEnsemble BalanceCascade 代价敏感学习 加入数据平衡的流程： 不平衡采样.
[Python从零到壹] 四十七.图像增强及运算篇之腐蚀和膨胀详解
杨秀璋的专栏
05-01 5819
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍。第二部分将讲解图像运算和图像增强，上一篇文章介绍图像阈值化处理，涉及阈值化处理、固定阈值化处理和自适应阈值化处理，这是图像边缘检测或图像增强等处理的基础。这篇文章将详细讲解开始图像形态学知识，主要介绍图像腐蚀处理和膨胀处理。数学形态学（Mathematical Morphology）是一种应用于图像处理和模式识别领域的新方法。基础性文章，希望对您有所帮助。
openCV学习笔记（七）-- 图像采样、阈值切割
DIAJEY的博客
07-02 295
1.图像采样 1.1图像金字塔 1.2高斯金字塔的上、下采样 //上采样--即金字塔从上向下，放大操作 pyrUp(src, upI, Size(src.cols * 2, src.rows * 2)); //下采样--金字塔从下向上，缩小操作 pyrDown(src, downI, Size(src.cols / 2, src.rows / 2)); 1.3高斯不同 //高斯不同，将两站不同程度高斯模糊后的图片相减--常用于边角检测 //1.先将图片灰度化 2.分别模糊 3.相减操作
OpenCV笔记（一）---阈值 、模糊滤波、膨胀与腐蚀
Duan423的博客
06-15 2895
阈值二值化 cv:threshold 1.threshold(src,dst,127,255,THRESH_BINARY_INV); 2.reshold(src//输入 3. dst//输出 4. thresh//阈值 5. maxValue//二值化最大值 6. thresholdType//阈值类型 7....
阈值与平滑处理与腐蚀
weixin_44356253的博客
02-23 342
图像阈值 ret, dst = cv2.threshold(src, thresh, maxval, type) src： 输入图，只能输入单通道图像，通常来说为灰度图 dst： 输出图 thresh： 阈值 maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值 type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THR
OpenCV学习：图像采样与阈值操作
weixin_41466479的博客
02-07 272
第十一课 图像上采样与降采样 1.图像金字塔概念：能够保证图像特征不变 我们在图像处理时常常会调整图像的大小，最常见的就是放大（zoom in）和缩小（zoom out） 尽管几何变换也可以实现图像放大和缩小，此处介绍金字塔，一个图像金字塔由一系列的图像组成 最底下一张是图像尺寸最大，最上方的图像尺寸最小，从空间上从上到下像一个金字塔 高斯金字塔-对图像进行降采样 从底向上，逐层降采样得到 降采样...
[Python图像处理] 四十三.Python图像形态学处理万字详解（腐蚀膨胀、开闭运算、梯度顶帽黑帽运算）
杨秀璋的专栏
07-31 1万+
数学形态学是一门建立在格论和拓扑学基础之上的图像分析学科，是数学形态学图像处理的基本理论。其基本的运算包括：腐蚀和膨胀、开运算和闭运算、图像顶帽运算和图像底帽运算、骨架抽取、形态学梯度、Top-hat变换等。万字长文整理，希望对您有所帮助。该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~
[Python从零到壹] 六十.图像识别及经典案例篇之基于阈值及边缘检测的图像分割
杨秀璋的专栏
12-23 5478
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍。第一部分作者介绍了图像处理基础知识，第二部分介绍了图像运算和图像增强，接下来第三部分我们将详细讲解图像识别及图像处理经典案例，该部分属于高阶图像处理知识，能进一步加深我们的理解和实践能力。图像分割是将图像分成若干具有独特性质的区域并提取感兴趣目标的技术和过程，它是图像处理和图像分析的关键步骤。本文将重点围绕图像处理实例，详细讲解各种图像分割的方法。希望文章对您有所帮助，如果有不足之处，还请海涵。
图像处理--OpenCV学习笔记
最新发布
Prime me的博客
02-04 3049
OpenCV
OPENCV图像处理的函数说明.pdf
09-30
- **Erode**和**Dilate**执行腐蚀和膨胀操作，常用于去除噪声和连接断开的边缘。 - **MorphologyEx**是形态学操作的通用函数，包含开运算、闭运算、顶帽和黑帽等。 4. **滤波器与色彩空间转换**： - **Smooth**...
图像处理最大熵阈值分割法
02-16
图像处理最大熵阈值分割法
OpenCV图像上采样和降采样及阈值操作
qq_39629280的博客
10-22 438
1.图像上采样和降采样 （1）图像金字塔概念 我们在图像处理中常常会调整图像大小，最常见的就是放大（zoomin）和缩小（zoomout），尽管几何变换也可以实现图像放大和缩小，但是这里我们介绍图像金字塔。 一个图像金字塔式一系列的图像组成，最底下一张是图像尺寸最大，最上方的图像尺寸最小，从空间上从上向下看就像一个金字塔 高斯金字塔——用来对图像进行降采样 拉普拉斯金字塔——用来重建一张图片根据它的上层降采样图片 （2）高斯金字塔 高斯金字塔是从底向上，逐层降采样得到，降采样之后图像大小是原图
python opencv 实现膨胀和腐蚀，开运算，闭运算，顶帽操作，黑帽操作
adaadadsa的博客
07-21 389
import cv2 import numpy as np # 腐蚀kernel dilate_kernel = np.ones((3,3)) # 膨胀kernel erose_kenel = np.array([[255,255,255],[255,255,255],[255,255,255]]) test_img = cv2.imread('../data/testpic.jpg') print(test_img.shape) # 膨胀或腐蚀的迭代次数 test_img1 = cv2.dila.
OpenCV图像处理教程C++(十三)图像上采样与降采样以及基本阈值操作
法兰西流浪者博客
08-15 3992
图像金字塔：最底下图像尺寸最大，最上面最小。 上采样：当前图像分辨率从图像金字塔的低分辨率到高分辨率采样，得到的是一个更高分辨率的图像。 降采样：当前图像分辨率从图像金字塔的高分辨率到低分辨率采样，得到的是一个更低分辨率的图像。 高斯金字塔： 从低向上，逐层降采样得到 降采样之后图像大小是原图像MXN的M/2XN/2，就是对原图像删除偶数行与列， 即得到降采样之后上一层的图片 高斯金...
OpenCV图像阈值、图像滤波、双阈值、上下采样
harryxia2014的博客
01-12 1725
importcv2#opencv读取的格式是BGR importmatplotlib.pyplotasplt importnumpyasnp importtorchaspt importtorchvisionastv importtransformersastrs %matplotlibinline 图像阈值 2ret,dst=cv2.threshold(src,thresh,maxval,type) str:输入图，只能输入单通道图像，通常来说为灰度...
4、【逻辑回归】信用卡欺诈检测（下采样、SMOTE，调整sigmod函数阈值）
Yuka_bro
06-16 912
对于一个二分类问题，首先想到的还是逻辑回归！（我愿称逻辑回归为最nb的二分类算法，目前为止）
OpenCV形态学处理使用技巧与应用演示
Color Space的博客
11-29 539
关于OpenCV形态学使用基础可以查看公众号免费的OpenCV视频教程，其中有详细介绍，本篇文章主要介绍形态学中一些实用但是容易被忽略的技巧与演示。 形态学中常用的方法有膨胀，腐蚀，开运算，闭运算，形态学梯度，顶帽，黑帽和击中击不中，大多以膨胀和腐蚀为基础操作，需要注意的是膨胀和腐蚀都是对图像中的高亮部分(二值图白色部分)处理起作用，如果是白色背景黑色目标要做取反操作，否则得到的结果是相反的。进入正题，技巧与应用场景介绍： （1）膨胀的应用。膨胀的结果类似“领域扩张”，白色区域将...
调整阈值、过采样和欠采样
Kyrie_Irving的博客
05-09 1702
样本中类别的数量不均衡 样本有100条数据，其中正类有99条，负类1条 训练过程模型把所有样本都分为正类，虽然负类分错了，但损失很小，精度达到了99%，模型不必再训练下去，这样得到精度高达99%的模型，但却区分不了负类，没有实际意义，我们在训练中样本中各个类别的样本数量越平衡越好 1、调整阈值 预测样本类别时一般要求计算样本属于某一类别的概率，例如计算正类的概率，通常取阈值为0.5，（即认为样本属...
图像分割：阈值获取方法总结
热门推荐
qingkongyeyue的博客
07-16 5万+
阈值分割原理： 一副图像包括目标、背景和噪声，设定某一阈值T将图像分成两部分：大于T的像素群和小于T的像素群。 在实际处理时候，为了显示需要一般用255表示背景，用0表示对象物。 由于实际得到的图像目标和背景之间不一定单纯地分布在两个灰度范围内，此时就需要两个或以上的阈值来提取目标。 图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、
OpenCV图像处理功能详解：从基本操作到高级应用
- Erode和Dilate（H3.3, H3.4）分别执行腐蚀和膨胀操作，改变物体边界。 - MorphologyEx（H3.5）则提供更复杂的形态学操作，如开运算、闭运算等。 4. **滤波器与色彩空间变换**： - Smooth函数（H4.1）用于图像...
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
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