opencv——形态学变换_形态学梯度_礼帽_顶帽

最新推荐文章于 2022-10-02 19:11:34 发布
最新推荐文章于 2022-10-02 19:11:34 发布 654 收藏 5
分类专栏： OpenCV
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_45602979/article/details/108682931
版权

1、形态学梯度

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import cv2 as cv
import numpy as np

"""
    开运算：先腐蚀后膨胀, 去除噪声，去除白色小点、空洞
    闭运算：先膨胀后腐蚀, 用来填充前景物体的小黑点
    形态学梯度：膨胀减去腐蚀, 可以得到前景物体的轮廓
    礼帽：原图减去开运算
    黑帽：闭运算减去原图

    使用函数morphologyEx()进行形态学其他操作
    函数原型为：morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst
        op参数：
            cv.MORPH_OPEN：开运算
            cv.MORPH_CLOSE：闭运算
            cv.MORPH_GRADIENT：形态学梯度
            cv.MORPH_TOPHAT：礼帽
            cv.MORPH_BLACKHAT：黑帽
        kernel:内核或结构化内核大小
            使用getStructuringElement(shape, ksize[, anchor]) -> retval获得结构化内核
                shape：
                    cv.MORPH_RECT  矩形结构化核
                    cv.MORPH_ELLIPSE 椭圆结构化核
                    cv.MORPH_CROSS 交叉结构化核
                ksize：
                    指定结构化核大小
                anchor:默认为Point(-1,-1),内核中心点。省略时为默认值
        anchor:默认为Point(-1,-1),内核中心点。省略时为默认值。
        iterations:腐蚀次数。省略时为默认值1。
        borderType:推断边缘类型，具体参见borderInterpolate函数。默认值为BORDER_DEFAULT 边缘值拷贝
        borderValue:边缘值，具体可参见createMorphoogyFilter函数，可省略
"""

'''
结构化元素
# Rectangular Kernel
>>> cv.getStructuringElement(cv.MORPH_RECT,(5,5))
array([[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]], dtype=uint8)
# Elliptical Kernel
>>> cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)
# Cross-shaped Kernel
>>> cv.getStructuringElement(cv.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)
'''

img_path = 'j.png'
img = cv.imread(img_path)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)


# ret, gray = cv.grayold(gray, 200, 255, cv.gray_BINARY)
# ret, gray = cv.grayold(gray, 200, 255, cv.gray_BINARY_INV)


def nothing(x):
    pass


cv.namedWindow('GRADIENT')
# 创建滑动条
cv.createTrackbar('ks', 'GRADIENT', 2, 25, nothing)

while True:
    ks = cv.getTrackbarPos('ks', 'GRADIENT')
    if ks < 1:
        ks += 1
    # Rectangular Kernel
    rectKernel = cv.getStructuringElement(cv.MORPH_RECT, (ks, ks))

    # Elliptical Kernel
    ellKernel = cv.getStructuringElement(cv.MORPH_ELLIPSE, (ks, ks))

    # Cross-shaped Kernel
    crossKernel = cv.getStructuringElement(cv.MORPH_CROSS, (ks, ks))

    rect = cv.morphologyEx(gray, cv.MORPH_GRADIENT, rectKernel)
    ellip = cv.morphologyEx(gray, cv.MORPH_GRADIENT, ellKernel)
    cross = cv.morphologyEx(gray, cv.MORPH_GRADIENT, crossKernel)

    # cv.putText(rect, 'rect:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    # cv.putText(ellip, 'ellip:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    # cv.putText(cross, 'cross:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    # cv.putText(cross, 'cross:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    h1 = np.hstack((gray, rect))
    h2 = np.hstack((ellip, cross))
    cv.imshow('GRADIENT', np.vstack((h1, h2)))
    k = cv.waitKey(100) & 0xff
    if chr(k) == 'q':
        break

    if chr(k) == 's':
        cv.imwrite('./outputs/ret_GRADIENT' + str(ks) + '.jpg', rect)
        cv.imwrite('./outputs/ellip_GRADIENT' + str(ks) + '.jpg', ellip)
        cv.imwrite('./outputs/cross_GRADIENT' + str(ks) + '.jpg', cross)

2、形态学梯度加深理解

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import cv2 as cv
import numpy as np

# 形态学梯度 == 膨胀减腐蚀
kernel = np.ones((3, 3), np.uint8)

eg = np.array(range(0, 25), np.uint8).reshape(5, 5)
print('原矩阵')
print(eg)
print('*' * 60)

open_rect = cv.morphologyEx(eg, cv.MORPH_GRADIENT, kernel)
print('形态学梯度结果')
print(open_rect)
print('*' * 60)

erode = cv.erode(eg, kernel)
print('腐蚀结果')
print(erode)
print('*' * 60)
dilate = cv.dilate(eg, kernel)
print('膨胀结果')
print(dilate)
print('*' * 60)

print('膨胀减腐蚀结果')
print(dilate - erode)

3、礼帽

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import cv2 as cv
import numpy as np

"""
    开运算：先腐蚀后膨胀, 去除噪声，去除白色小点、空洞
    闭运算：先膨胀后腐蚀, 用来填充前景物体的小黑点
    形态学梯度：膨胀减去腐蚀, 可以得到前景物体的轮廓
    礼帽：原图减去开运算
    黑帽：闭运算减去原图

    使用函数morphologyEx()进行形态学其他操作
    函数原型为：morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst
        op参数：
            cv.MORPH_OPEN：开运算
            cv.MORPH_CLOSE：闭运算
            cv.MORPH_GRADIENT：形态学梯度
            cv.MORPH_TOPHAT：礼帽
            cv.MORPH_BLACKHAT：黑帽
        kernel:内核或结构化内核大小
            使用getStructuringElement(shape, ksize[, anchor]) -> retval获得结构化内核
                shape：
                    cv.MORPH_RECT  矩形结构化核
                    cv.MORPH_ELLIPSE 椭圆结构化核
                    cv.MORPH_CROSS 交叉结构化核
                ksize：
                    指定结构化核大小
                anchor:默认为Point(-1,-1),内核中心点。省略时为默认值
        anchor:默认为Point(-1,-1),内核中心点。省略时为默认值。
        iterations:腐蚀次数。省略时为默认值1。
        borderType:推断边缘类型，具体参见borderInterpolate函数。默认值为BORDER_DEFAULT 边缘值拷贝
        borderValue:边缘值，具体可参见createMorphoogyFilter函数，可省略
"""

'''
结构化元素
# Rectangular Kernel
>>> cv.getStructuringElement(cv.MORPH_RECT,(5,5))
array([[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]], dtype=uint8)
# Elliptical Kernel
>>> cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)
# Cross-shaped Kernel
>>> cv.getStructuringElement(cv.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)
'''

img_path = 'j.png'
# img_path = 'bkrc.jpg'

img = cv.imread(img_path)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)


# # ret, gray = cv.grayold(gray, 200, 255, cv.gray_BINARY)
# ret, gray = cv.grayold(gray, 200, 255, cv.gray_BINARY_INV)


def nothing(x):
    pass


cv.namedWindow('TOPHAT')
# 创建滑动条
cv.createTrackbar('ks', 'TOPHAT', 2, 25, nothing)

while True:
    ks = cv.getTrackbarPos('ks', 'TOPHAT')
    if ks < 1:
        ks += 1
    # Rectangular Kernel
    rectKernel = cv.getStructuringElement(cv.MORPH_RECT, (ks, ks))

    # Elliptical Kernel
    ellKernel = cv.getStructuringElement(cv.MORPH_ELLIPSE, (ks, ks))

    # Cross-shaped Kernel
    crossKernel = cv.getStructuringElement(cv.MORPH_CROSS, (ks, ks))

    rect = cv.morphologyEx(gray, cv.MORPH_TOPHAT, rectKernel)
    ellip = cv.morphologyEx(gray, cv.MORPH_TOPHAT, ellKernel)
    cross = cv.morphologyEx(gray, cv.MORPH_TOPHAT, crossKernel)

    # cv.putText(rect, 'rect:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    # cv.putText(ellip, 'ellip:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    # cv.putText(cross, 'cross:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    # cv.putText(cross, 'cross:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    h1 = np.hstack((gray, rect))
    h2 = np.hstack((ellip, cross))
    cv.imshow('TOPHAT', np.vstack((h1, h2)))
    k = cv.waitKey(100) & 0xff
    if chr(k) == 'q':
        break

    if chr(k) == 's':
        cv.imwrite('./outputs/rect_MORPH_TOPHAT' + str(ks) + '.jpg', rect)

4、礼帽加深理解

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import cv2 as cv
import numpy as np

# 礼帽 == 原图减开运算
kernel = np.ones((3, 3), np.uint8)

eg = np.array(range(0, 25), np.uint8).reshape(5, 5)
print('原矩阵')
print(eg)
print('*' * 60)

tophat_rect = cv.morphologyEx(eg, cv.MORPH_TOPHAT, kernel)
print('礼帽结果')
print(tophat_rect)
print('*' * 60)

erode = cv.erode(eg, kernel)
print('腐蚀结果')
print(erode)
print('*' * 60)
dilate = cv.dilate(erode, kernel)
print('先腐蚀后膨胀结果==开运算')
print(dilate)

print('原图减开运算结果')
print(eg - dilate)

5、黑帽

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import cv2 as cv
import numpy as np

"""
    开运算：先腐蚀后膨胀, 去除噪声，去除白色小点、空洞
    闭运算：先膨胀后腐蚀, 用来填充前景物体的小黑点
    形态学梯度：膨胀减去腐蚀, 可以得到前景物体的轮廓
    礼帽：原图减去开运算
    黑帽：闭运算减去原图

    使用函数morphologyEx()进行形态学其他操作
    函数原型为：morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst
        op参数：
            cv.MORPH_OPEN：开运算
            cv.MORPH_CLOSE：闭运算
            cv.MORPH_GRADIENT：形态学梯度
            cv.MORPH_TOPHAT：礼帽
            cv.MORPH_BLACKHAT：黑帽
        kernel:内核或结构化内核大小
            使用getStructuringElement(shape, ksize[, anchor]) -> retval获得结构化内核
                shape：
                    cv.MORPH_RECT  矩形结构化核
                    cv.MORPH_ELLIPSE 椭圆结构化核
                    cv.MORPH_CROSS 交叉结构化核
                ksize：
                    指定结构化核大小
                anchor:默认为Point(-1,-1),内核中心点。省略时为默认值
        anchor:默认为Point(-1,-1),内核中心点。省略时为默认值。
        iterations:腐蚀次数。省略时为默认值1。
        borderType:推断边缘类型，具体参见borderInterpolate函数。默认值为BORDER_DEFAULT 边缘值拷贝
        borderValue:边缘值，具体可参见createMorphoogyFilter函数，可省略
"""

'''
结构化元素
# Rectangular Kernel
>>> cv.getStructuringElement(cv.MORPH_RECT,(5,5))
array([[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]], dtype=uint8)
# Elliptical Kernel
>>> cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)
# Cross-shaped Kernel
>>> cv.getStructuringElement(cv.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)
'''

img = cv.imread('bkrc.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# ret, thresh = cv.threshold(gray, 200, 255, cv.THRESH_BINARY)
ret, thresh = cv.threshold(gray, 200, 255, cv.THRESH_BINARY_INV)


def nothing(x):
    pass


cv.namedWindow('BLACKHAT')
# 创建滑动条
cv.createTrackbar('ks', 'BLACKHAT', 2, 25, nothing)

while True:
    ks = cv.getTrackbarPos('ks', 'BLACKHAT')
    if ks < 1:
        ks += 1
    # Rectangular Kernel
    rectKernel = cv.getStructuringElement(cv.MORPH_RECT, (ks, ks))

    # Elliptical Kernel
    ellKernel = cv.getStructuringElement(cv.MORPH_ELLIPSE, (ks, ks))

    # Cross-shaped Kernel
    crossKernel = cv.getStructuringElement(cv.MORPH_CROSS, (ks, ks))

    rect = cv.morphologyEx(thresh, cv.MORPH_BLACKHAT, rectKernel)
    ellip = cv.morphologyEx(thresh, cv.MORPH_BLACKHAT, ellKernel)
    cross = cv.morphologyEx(thresh, cv.MORPH_BLACKHAT, crossKernel)

    cv.putText(rect, 'rect:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    cv.putText(ellip, 'ellip:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    cv.putText(cross, 'cross:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)
    cv.putText(cross, 'cross:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    h1 = np.hstack((thresh, rect))
    h2 = np.hstack((ellip, cross))
    cv.imshow('BLACKHAT', np.vstack((h1, h2)))
    k = cv.waitKey(100) & 0xff
    if chr(k) == 'q':
        break

6、黑帽加深理解

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import cv2 as cv
import numpy as np

# 黑帽 == 闭运算减原图
kernel = np.ones((3, 3), np.uint8)

eg = np.array(range(0, 25), np.uint8).reshape(5, 5)
print('原矩阵')
print(eg)
print('*' * 60)

tophat_rect = cv.morphologyEx(eg, cv.MORPH_BLACKHAT, kernel)
print('黑帽结果')
print(tophat_rect)
print('*' * 60)

dilate = cv.dilate(eg, kernel)
print('膨胀结果')
print(dilate)
print('*' * 60)
erode = cv.erode(dilate, kernel)
print('先膨胀后腐蚀结果==闭运算')
print(erode)
print('*' * 60)

print('闭运算减原图结果')
print(erode - eg)

7、综合对比

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import cv2 as cv
import numpy as np

# img_path = 'bkrc.jpg'
img_path = 'shape.png'

img = cv.imread(img_path)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)


def nothing(x):
    pass


cv.namedWindow('image')
cv.createTrackbar('th', 'image', 127, 255, nothing)
cv.createTrackbar('ks', 'image', 2, 25, nothing)

while True:
    ks = cv.getTrackbarPos('ks', 'image')
    th = cv.getTrackbarPos('th', 'image')
    ret, threash = cv.threshold(gray, th, 255, cv.THRESH_BINARY_INV)
    temp = threash
    kernel = np.ones((ks, ks), np.uint8)
    key = cv.waitKey(100) & 0xFF
    if chr(key) == 'q':
        break
    # 开运算：先腐蚀再膨胀就叫做开运算，用来去噪声。
    opening = cv.morphologyEx(threash, cv.MORPH_OPEN, kernel)
    cv.putText(opening, 'open:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    # 先膨胀再腐蚀，它经常用来填充前景物体中的小洞 或者前景物体上的小黑点。
    close = cv.morphologyEx(threash, cv.MORPH_CLOSE, kernel)
    cv.putText(close, 'close:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    # 形态学梯度
    # 其实就是一幅图像膨胀与腐的差别。
    # 结果看上去就像前景物体的轮廓。
    gradient = cv.morphologyEx(threash, cv.MORPH_GRADIENT, kernel)
    cv.putText(gradient, 'grad:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    # 礼帽
    # 原始图像与开运算之后得到的图像的差。
    tophat = cv.morphologyEx(threash, cv.MORPH_TOPHAT, kernel)
    cv.putText(tophat, 'tophat:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    # 黑帽  进行闭运算之后得到的图像与原始图像的差
    blackhat = cv.morphologyEx(threash, cv.MORPH_BLACKHAT, kernel)
    cv.putText(blackhat, 'bkhat:' + str(ks), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    cv.putText(threash, 'th:' + str(th), (80, 20), cv.FONT_HERSHEY_SIMPLEX, .65, (255, 255, 255), 2)

    h1 = np.hstack((threash, opening, close))
    h2 = np.hstack((gradient, tophat, blackhat))
    v = np.vstack((h1, h2))

    cv.imshow('image', v)

cv.destroyWindow('image')

Sam Chou
关注
  • 4
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
xingtai.rar_OpenCV形态学
09-24
基于opencv的形态学处理，代码可以用，比较精简
python实现opencv学习二十：图像的开闭操作
weixin_40338379的博客
06-29 342
代码： # -*- coding=GBK -*- import cv2 as cv #开操作： # 图像形态学的重要操纵之一，基于膨胀与腐蚀操作组合形成的； # 主要是应用在二值图像分析中，灰度图像亦可； # 开操作 = 腐蚀+膨胀 ，输入图像 + 结构元素 # 作用：用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积.提取水平或竖直的线 # 闭操作： # 图像形态学的重要操纵之一，基于膨胀与腐蚀操作组合形成的； # 主要
opencv——形态学变换_开闭运算
Sam's blog
09-19 725
1、开运算 #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 开运算：先腐蚀后膨胀, 去除噪声，去除白色小点、空洞 闭运算：先膨胀后腐蚀, 用来填充前景物体的小黑点 形态学梯度：膨胀减去腐蚀, 可以得到前景物体的轮廓 礼帽：原图减去开运算 黑帽：闭运算减去原图 使用函数morphologyEx()进行形态学其他操作 函数原型为：morphologyEx(src, op, kernel[, ds
【opencv】基本图像形态学操作
weixin_72504310的博客
10-02 724
1.erode（） 2.dilate（） 3.morphologyEx（）//MORPH_OPEN 4.morphologyEx（）//MORPH_CLOSE
OpenCV中几种基本的形态学操作
max_LLL的博客
08-12 425
1.连通性 import matplotlib.pyplot as plt import cv2 as cv import numpy as np plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 用来正确显示中文 #连通性 ‘’’ 连通性是描述区域和边界的重要概念,两个像素连通的两个必要条件是: 1.两个像素的位置是否相邻 2.两个像素的灰度值是否满足特定的相似准则 根据连通性的定义,有4连通,8连通和m连通三种 4连通:对于具有值V的像素p和q,如果q在集合
Opencvsharp_Threshold
zzhhziqi的博客
11-18 1473
public static double Threshold(CvArr src, CvArr dst, double threshold, double maxValue, ThresholdType thresholdType); 第一个参数，InputArray类型的src，输入数组，填单通道 , 8或32位浮点类型的Mat即可。 第二个参数，OutputArray类型的ds
xingtaixue.zip_OpenCV形态学
09-19
使用opencv对图像进行形态学操作（图像的开闭，腐蚀和膨胀运算
opencv 形态学变换(开运算，闭运算，梯度运算)
12-17
形态学里把腐蚀和膨胀单独拿了出来，其他操作（保括膨胀和腐蚀的组合操作）都叫形态学变换。 opencv里有包：cv2.morphologyEx() morphology ：译文 形态学 使用python +opencv讲解 开运算 开运算：对图像先进行腐蚀...
顶帽_opencv图像_顶帽_
10-02
opencv顶帽小应用，一些小测试的内容
基于OPENcv的顶帽变换求图像的边缘算法_OPENcv顶帽_opencv_blanketxai_
10-03
基于OPENcv的顶帽变换求图像的边缘算法
OpenCV_HOG.rar_hog算子_opencv 梯度_梯度 直方图_梯度直方图
09-19
梯度直方图算子的opencv代码,注释详细,可以快速的熟悉该算法./.
(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_...
opencv01_opencv_学习opencv_
10-03
python opencv 学习资料上半部分，代码齐全，注释
opencv_依赖——Video_Codec_SDK_8.2.16.rar
05-08
CMakeFiles/Makefile2:13314: recipe for target 'modules/xfeatures2d/CMakeFiles/opencv_test_xfeatures2d.dir/all' failed
OpenCV 形态学处理
12-22
形态学主要处理二值图像（0黑1白）。 图像腐蚀 概念 原理 函数 erode kernel = np.ones((5,5),np.uint8) #numpy库生成1数组，数据类型为整形 img2 = cv2.erode(img,kernel,iterations) #迭代次数，默认为1 处理...
HT_transform_opencv_opencv霍夫_霍夫变换_图像处理_
09-29
使用opencv中霍夫线变换检测直线，阈值可调
【C++】OpenCV高级形态学示例程序 by浅墨
04-27
博文《【OpenCV入门教程之十一】 形态学图像处理（二）：开运算、闭运算、形态学梯度、顶帽、黑帽合辑》的配套详细注释源代码。 博文链接： http://blog.csdn.net/poem_qianmo/article/details/24599073 1.已将...
OpenCV.rar_opencv_opencv 函数_opencv 实例_opencv函数
07-14
opencv函数查询手册，包含了所有opencv的函数以及大量实例
opencv 4_opencv文档_opencvapi中文_opencv官方文档_学习opencv_学习
09-11
opencv 4.1官方文档，可以有效学习opencv。介绍了基本API等
opencv_face_detector_uint8
最新发布
03-25
是什么意思？ A：opencv_face_detector_uint8是OpenCV中的一种人脸检测器，它使用基于Haar特征的级联分类器来检测图像中的人脸。其中_uint8表示该检测器使用的数据类型为8位无符号整数。该检测器可用于识别人脸并用于人脸识别等相关应用。

“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
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

Sam Chou

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额：-- )
扫码支付
扫码支付：¥2
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、C币套餐、付费专栏及课程。

余额充值