OpenCv形态学（一）

目录

形态学转换

结构元素

腐蚀

膨胀

开运算

闭运算

形态学梯度

顶帽

黑帽

图像轮廓

查找轮廓

绘制轮廓

形态学转换

·形态变换是一些基于图像形状的简单操作。通常在二值图像上执行。它需要两个输入，一个是我们的原始图像，第二个是决定操作性质的结构元素或内核。两种基本的形态学算子是侵蚀和膨胀。然后，它的变体形式(如“打开”，“关闭”等)也开始起作用。形态变换是一些基于图像形状的简单操作。通常在二值图像上执行。它需要两个输入，一个是我们的原始图像，第二个是决定操作性质的结构元素或内核。两种基本的形态学算子是侵蚀和膨胀。然后，它的变体形式(如“打开”，“关闭”等)也开始起作用。基本思想:使用具有一定形状的结构元素去度量和提取图像中对应的形状，以达到对图像进行处理的目的。

形态学操作图像的数学基础是集合论

集合的交集和并集

集合的补集和差集

集合的反射

集合的平移

结构元素

二值图像形态学处理的运算对象是集合

设A为像素集合，B为结构元素(本身也是一个像素集合，其元素是感兴趣目标的像素)，处理过程就是用B对A进行操作。结构元素B对A的具体操作

  • 通过让B在A上平移，以便B的原点访问A的每一个元素，以此得到一个新的像素集合

    结构元素必须指定一个原点

  • 结构元素的原点就是形态学运算的参考点(当结果元素对称且未显示原点时，通常将原点假定在对称中心处)

    当对图像操作时，要求结构元素时矩形阵列(通过添加最小可能数量的背景元素组成一个矩阵阵列来实现)

    注意:形态学处理中，只考虑图像和结构元素中有效像素点，也就是只考虑感兴趣的前景部分，背景部分不予考虑

    为什么结构元素是奇数：

    旋转180°不变，反射之后还是他本身

    原点方便定位中心点

cv2.getStructuringElement(shape, ksize, anchor)

函数用于返回一个指定形状和尺寸的结构元素，该结构元素可用于形态学操作，如腐蚀、膨胀、开运算和闭运算等。其语法参数说明：

  • shape：表示结构元素的形状，可以是以下几种取值：

  • cv2.MORPH_RECT：矩形结构元素

  • cv2.MORPH_CROSS：十字形结构元素

  • cv2.MORPH_ELLIPSE：椭圆形结构元素

  • ksize：表示结构元素的大小

  • anchor：表示结构元素的锚点位置，默认为(-1,-1)，表示结构元素的中心

在图像处理中，使用cv2.getStructuringElement函数创建结构元素时，将ksize参数设置为奇数有以下几个原因：

  • 对称性：奇数尺寸的结构元素具有对称性，这在一些形态学操作中是很重要的。例如，在腐蚀和膨胀操作中，使用对称的结构元素可以确保操作的结果在图像的不同位置上具有相似的效果。

  • 中心性：奇数尺寸的结构元素有一个明确的中心像素。这个中心像素在形态学操作中起着重要的作用，例如在腐蚀操作中

  1. 边界处理的便利性：在处理图像边界时，奇数尺寸的结构元素可以更方便地处理边界像素。对于奇数尺寸，能够以更对称和一致的方式处理靠近图像边缘的部分，减少边界效应带来的不一致性。

  2. 更好的局部特征提取：在一些应用中，奇数尺寸的结构元素可以更准确地捕捉图像的局部特征。这是因为其中心像素能够更精确地定位在目标区域内，从而对局部结构的描述更加准确。

  3. 数学计算的简洁性：在某些形态学运算的数学实现中，奇数尺寸的结构元素可能会使计算更加简洁和高效，减少计算过程中的复杂性和可能出现的错误。

腐蚀

.Common Names: Erode, Shrink, Reduce(常用名称:腐蚀，侵蚀，收缩，减少)。侵蚀是数学形态学领域的两个基本算子之一，另一个是膨胀算子。

·侵蚀通常适用于二值图像，但也有适用于灰度图像的版本。算子对二值图像的基本作用是侵蚀掉前景像素(即白色像素)区域的边界。因此，前景像素的区域缩小了。

效果:缩小图像中的物体

定义:假设A是原始的二值图像，B是结构元素，则A被B腐蚀的定义为:将结构元素B相对于集合A进行平移，只要平移后结构元素都包含在集合A中，则这些位移Z的点(前景像素点)的集合即为腐蚀后的结果

def erode(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):

  • src：输入图像，可以是多通道图像，深度应为CV_8U、CV_16U、CV_16S、CV_32F或CV_64F之一。

  • dst：输出与输入图像相同大小和类型的图像。

  • kernel：用于腐蚀的结构元素。如果kernel=Mat()，则使用3x3矩形结构元素。可以使用getStructuringElement()函数创建内核。

  • anchor：锚点在元素内的位置，默认值为(-1,-1)，表示锚点位于元素中心。

  • iterations：腐蚀的次数，默认值为1。

  • borderType：像素外推方法，可选项包括BORDER_CONSTANT、BORDER_REPLICATE等。

  • borderValue：边界不变的边界值。

腐蚀的过程

 eg:去掉两个物体之间连接的细线

im=np.zeros((200,200),np.uint8)
im[20:23,20:23]=255# 获取一个3*3的结构元素
# 第一个参数:结果元素的形状，矩阵还是十字型
# 第二个参数:结构元素的大小
kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
dst=cv2.erode(im,kernel)
cv2.imshow("im",im)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

用3*3的卷积核腐蚀3*3的矩阵（原图--右，效果图--左）

膨胀

·效果:扩大图像中的物体，在二值图中扩大白色的部分，收缩黑色的部分

·定义:假设A是原始的二值图像，B是结构元素，则A被B膨胀的定义为:

又被定义为:

也就是，A被B膨胀的结果是满足上面公式的所有位移z的点(前景像素点)的集合。

dilation = cv.dilate(img,kernel,iterations =1)

  • img：要进行膨胀操作的输入图像。

  • kernel：用于膨胀操作的结构元素，通常通过 cv2.getStructuringElement 函数获取。

  • iterations：膨胀操作的迭代次数。默认值为 1，表示执行一次膨胀操作。如果设置为大于 1 的值，则会连续执行指定次数的膨胀操作，使得膨胀效果更加强烈。

开运算

效果: 断开较窄的粘连线，消除较细的突出物和噪音，使图像的轮廓变得光滑（去除白点）

定义: 假设A是原始的二值图像，B是结构元素，则A被B开运算的定义为:

也就是，先用B对A继续腐蚀，然后再用B对腐蚀的结果进行膨胀

opening = cv2.morphologyEx(img, cv.MORPH_OPEN, kernel)

 

闭运算

效果:关闭前景对象内部的小孔或对象上的小黑点时很有用。使图像的

轮廓变得光滑（去除黑点）

定义:假设A是原始的二值图像，B是结构元素，则A被B闭运算的定义

为:   先用B对A继续膨胀，然后再用B对膨胀的结果进行腐蚀

closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

形态学梯度

效果:

图像边界提取

·定义:假设A是原始的二值图像，B是结构元素，则定义为:

也就是，腐蚀的部分

·gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

示例：获取图像边界

import cv2
im = cv2.imread("grad.png")
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
im2 = cv2.morphologyEx(im, cv2.MORPH_GRADIENT, kernel)
cv2.imshow("im", im)
cv2.imshow("gradient", im2)
# cv2.imshow("im3", im3)
cv2.waitKey(0)
cv2.destroyAllWindows()

顶帽

顶帽是输入图像和图像开运算之差

  • tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

    细小结构。因此，顶帽运算能够突出原始图像中比周围环境更亮的区域

    或者斑点，有助于分离出这些亮区域，比如寻找图像中的亮点物体或者

    高亮细节。这对于背景相对均匀而前景目标较亮的图像特别有用，例如，

    在医学成像或文本识别中强调局部高亮区域。（找小白点）

  • ·开运算由先腐蚀后膨胀组成，能够去除图像中的小亮点(比如噪声)

黑帽

     是输入图像和图像闭运算之差

  • blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT,kernel)

    闭运算由先膨胀后腐蚀组成，能够填充图像中的小暗点和细小缝隙。因此，黑帽运算能突出显示原始图像中比周围环境更暗的区域或者斑块，有助于发现图像中的暗区域或者阴影部分，对于背景去除或者凸显图像中的暗结构非常有效。在一些应用场景下，如检测路面坑洞或寻找图像中的暗色目标时非常有用。

图像轮廓

图像轮廓是具有相同颜色或灰度的连续点的曲线，轮廓在形状分析和物

体的检测和识别中很有用。

·轮廓的作用:

    -图形分析-物体的检测和识别

.注意点:

函数返回两个值：轮廓列表 contours 和轮廓的层次结构 hierarchy 。

.Mode查找轮廓的模式:

RETR EXTERNAL=0这是最简单的检索模式，只检索最外层的轮廓，即不包括任何嵌套轮廓。如果你只关心物体的外部边界，而不考虑其内部结构或孔洞，这个模式就很适用。

RETR LIST=1该模式检索所有轮廓，并将其作为列表返回，但不创建任何层次结构。每个轮廓都是独立的，没有父子关系信息。适用于需要所有轮廓但不需要它们之间关系的场景。

RETR CCOMP =2在这种模式下，检索到的轮廓被组织成两层层次结构。顶层是外部边界，第二层是孔和内部边界。如果一个对象内有多个孔，则孔被视为同一层级。这对于需要区分外边界和内部孔洞的场景很有用。

RETR_TREE =3这是最复杂的检索模式，构建了一个完整的轮廓层次树。每个轮廓都有一个层次信息，可以区分出父轮廓和子轮廓(内部轮廓)，非常适合于需要分析复杂结构和多级嵌套轮廓的场景。（常用这个）

  • 需要先对图像进行二值化处理

  • 画轮廓会修改原始图像，如果后面像继续使用原始图像，应该设置原始图像副本

  • 查找轮廓

    findContours(image, mode, method[, contours[,hierarchy[ offset]]]) -> contours, hierarchy

    图片只能是单通道u8的

    cv2.findContours 函数用于在二值图像中查找轮廓，其参数如下：

  • image：输入的 8 位单通道图像，可以是二值图像。

  • mode：轮廓的检索模式，常见的取值有：

  • cv2.RETR_EXTERNAL：只检测最外层轮廓。

  • cv2.RETR_LIST：检测所有轮廓，不建立层次关系。

  • cv2.RETR_CCOMP：检测所有轮廓，并将其组织为两层的层次结构。

  • cv2.RETR_TREE：检测所有轮廓，并重建完整的层次结构。

  • method：轮廓的近似方法，常见的取值有：

  • cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。

  • cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角线段，只保留其端点。

  • 函数返回两个值：轮廓列表 contours 和轮廓的层次结构 hierarchy 。

    .Mode查找轮廓的模式:

    RETR EXTERNAL=0这是最简单的检索模式，只检索最外层的轮廓，即不包括任何嵌套轮廓。如果你只关心物体的外部边界，而不考虑其内部结构或孔洞，这个模式就很适用。

    RETR LIST=1该模式检索所有轮廓，并将其作为列表返回，但不创建任何层次结构。每个轮廓都是独立的，没有父子关系信息。适用于需要所有轮廓但不需要它们之间关系的场景。

    RETR CCOMP =2在这种模式下，检索到的轮廓被组织成两层层次结构。顶层是外部边界，第二层是孔和内部边界。如果一个对象内有多个孔，则孔被视为同一层级。这对于需要区分外边界和内部孔洞的场景很有用。

    RETR_TREE =3这是最复杂的检索模式，构建了一个完整的轮廓层次树。每个轮廓都有一个层次信息，可以区分出父轮廓和子轮廓(内部轮廓)，非常适合于需要分析复杂结构和多级嵌套轮廓的场景。（常用这个）

    findContours(image, mode, method[, contours[,hierarchy[,offset]]]) -> contours（轮廓）, hierarchy（层级）

    ·Method:

  • CHAIN APPROX NONE=1:轮廓中的每一点都会被精确保存下来

  • CHAIN APPROX SIMPLE = 2: 仅保留轮廓的端点和具有拐角的点来简化轮廓表示

绘制轮廓

drawContours(image, contours, contourldx, color[, thickness[,lineType[,hierarchy[,maxLevel[, offset]]]]]) -> image

  • Image 要绘制的轮廓图像

  • Contours 轮廓点

  • contourldx 要绘制的轮廓编号，-1表示绘制所有轮廓，0是最外层，1是内层

    :Color: 轮廓的颜色

  • Thickness:线宽，-1表示填充

代码示例：绘制左图中的所有边框轮廓

import cv2im = cv2.imread("p1.png")
im_orgin = im.copy()
im1 = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)# 查找轮廓
contours, _ = cv2.findContours(im1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓cv2.drawContours(im, contours, -1, (0, 0, 255), 2, cv2.LINE_AA)
cv2.imshow("im_orgin", im_orgin)
cv2.imshow("im", im)
cv2.waitKey(0)
cv2.destroyAllWindows()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/356842.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

AudioSep：从音频中分离出特定声音（人声、笑声、噪音、乐器等）本地一键整合包下载

AudioSep：从音频中分离出特定声音（人声、笑声、噪音、乐器等）本地一键整合包下载

AudioSep是一种 AI 模型，可以使用自然语言查询进行声音分离。这一创新性的模型由Audio-AGI开发，使用户能够通过简单的语言描述来分离各种声音源。 比如在嘈杂的人流车流中说话的录音中，可以分别提取干净的人声说话声音和嘈杂的人流车流噪声。…
阅读更多...
实战｜YOLOv10 自定义目标检测

实战｜YOLOv10 自定义目标检测

引言 YOLOv10[1] 概述和使用自定义数据训练模型 概述 由清华大学的研究团队基于 Ultralytics Python 包研发的 YOLOv10，通过优化模型结构并去除非极大值抑制（NMS）环节，提出了一种创新的实时目标检测技术。这些改进不仅实现了行业领…
阅读更多...
PyTorch -- RNN 快速实践

PyTorch -- RNN 快速实践

RNN Layer torch.nn.RNN(input_size,hidden_size,num_layers,batch_first) input_size: 输入的编码维度hidden_size: 隐含层的维数num_layers: 隐含层的层数batch_first: True 指定输入的参数顺序为： x：[batch, seq_len, input_size]h0：[batc…
阅读更多...
MySQL 创建数据表

MySQL 创建数据表

创建MySQL数据表需要以下信息： 表名表字段名定义每个表字段 语法 以下为创建MySQL数据表的SQL通用语法： CREATE TABLE table_name (column_name column_type); 以下例子中我们将在 W3CSCHOOL 数据库中创建数据表w3cschool_tbl： CREAT…
阅读更多...
three.js 第八节 - gltf加载器、解码器

three.js 第八节 - gltf加载器、解码器

// ts-nocheck // 引入three.js import * as THREE from three // 导入轨道控制器 import { OrbitControls } from three/examples/jsm/controls/OrbitControls // 导入hdr加载器（专门加载hdr的） import { RGBELoader } from three/examples/jsm/loaders…
阅读更多...
Unity3d自定义TCP消息替代UNet实现网络连接

Unity3d自定义TCP消息替代UNet实现网络连接

以前使用UNet实现网络连接，Unity2018以后被弃用了。要将以前的老程序升到高版本，最开始打算使用Mirro，结果发现并不好用。那就只能自己写连接了。 1.TCP消息结构 (1). TCP消息是按流传输的，会发生粘包。那么在发射和接收消息时就需要对消息进行打包和解包。如果接收的消息…
阅读更多...
建造者模式(大话设计模式)C/C++版本

建造者模式(大话设计模式)C/C++版本

建造者模式 C 参考&#xff1a;https://www.cnblogs.com/Galesaur-wcy/p/15907863.html #include <iostream> #include <vector> #include <algorithm> #include <string> using namespace std;// Product Class&#xff0c;产品类&#xff0c;由多个…
阅读更多...
荒野大镖客2启动找不到emp.dll的7个修复方法，轻松解决dll丢失的办法

荒野大镖客2启动找不到emp.dll的7个修复方法，轻松解决dll丢失的办法

一、emp.dll文件丢失的常见原因 安装或更新问题&#xff1a;在软件或游戏的安装过程中&#xff0c;可能由于安装程序未能正确复制文件到目标目录&#xff0c;或在更新过程中文件被意外覆盖或删除&#xff0c;导致emp.dll文件丢失。 安全软件误删&#xff1a;某些安全软件可能…
阅读更多...
【ajax基础01】ajax简介

【ajax基础01】ajax简介

目录 一&#xff1a;ajax简介 1 什么是ajax 二&#xff1a;ajax使用 1 如何使用ajax 2 axios使用&#xff08;重点&#xff09; 三&#xff1a;案例 四&#xff1a;如何赚钱 一&#xff1a;ajax简介 1 什么是ajax AJAX&#xff08;Asynchronous JavaScript And XML &am…
阅读更多...
莱辅络Rebro BIM机电专业软件

莱辅络Rebro BIM机电专业软件

莱辅洛&#xff08;Rebro&#xff09;是一款专业机电 BIM 软件。它具备专业人士所期待的各种专业功能&#xff0c;应用于建筑机电工程的三维设计&#xff0c;并且适用于建筑、结构、给排水、暖通、电气五大专业。 该软件具有以下特点&#xff1a; • 3D 模型&#xff1a;可以…
阅读更多...
渗透测试-若依框架的杀猪交易所系统管理后台

渗透测试-若依框架的杀猪交易所系统管理后台

前言 这次是带着摸鱼的情况下简单的写一篇文章&#xff0c;由于我喜欢探究黑灰产业&#xff0c;所以偶尔机遇下找到了一个加密H币的交易所S猪盘&#xff0c;我记得印象是上年的时候就打过这一个同样的站&#xff0c;然后我是通过指纹查找其它的一些站&#xff0c;那个站已经关…
阅读更多...
计网重点面试题-TCP三次握手四次挥手

计网重点面试题-TCP三次握手四次挥手

三次握手 第一次握手(syn1) 客户端会随机初始化序号&#xff08;client_isn&#xff09;&#xff0c;将此序号置于 TCP 首部的「序列号」字段中&#xff0c;同时把 SYN 标志位置为 1&#xff0c;表示 SYN 报文。接着把第一个 SYN 报文发送给服务端&#xff0c;表示向服务端发…
阅读更多...
一个电商创业者眼中的618：平台大变局

一个电商创业者眼中的618：平台大变局

战役结束了&#xff0c;战斗还在继续。 一位朋友去年5月创业&#xff0c;网上卖咖啡&#xff0c;这个赛道很拥挤&#xff0c;时机也不好&#xff0c;今年是他参加第一个618。朋友说&#xff0c;今年的目标是锤炼团队&#xff0c;总结方法&#xff0c;以及最重要的——活下去。…
阅读更多...
基于CentOS Stream 9平台 安装/卸载 Redis7.0.15

基于CentOS Stream 9平台 安装/卸载 Redis7.0.15

已更正systemctl管理Redis服务问题 1. 官方下载地址 https://redis.io/downloads/#redis-downloads 1.1 下载或上传到/opt/coisini目录下&#xff1a; mkdir /opt/coisini cd /opt/coisini wget https://download.redis.io/releases/redis-7.0.15.tar.gz2. 解压 tar -zxvf re…
阅读更多...
基于IDEA的Maven简单工程创建及结构分析

基于IDEA的Maven简单工程创建及结构分析

目录 一、用 mvn 命令创建项目 二、用 IDEA 的方式来创建 Maven 项目。 &#xff08;1&#xff09;首先在 IDEA 下的 Maven 配置要已经确保完成。 &#xff08;2&#xff09;第二步去 new 一个 project &#xff08;创建一个新工程&#xff09; &#xff08;3&#xff09;…
阅读更多...
1027. 方格取数

1027. 方格取数

Powered by:NEFU AB-IN Link 文章目录 1027. 方格取数题意思路代码 1027. 方格取数 题意 某人从图中的左上角 A 出发&#xff0c;可以向下行走&#xff0c;也可以向右行走&#xff0c;直到到达右下角的 B 点。 在走过的路上&#xff0c;他可以取走方格中的数&#xff08;取…
阅读更多...
Docker网络介绍

Docker网络介绍

网络是虚拟化技术中最复杂的部分&#xff0c;也是Docker应用中的一个重要环节。 Docker中的网络主要解决容器与容器、容器与外部网络、外部网络与容器之间的互相通信的问题。 这些复杂情况的存在要求Docker有一个强大的网络功能去保障其网络的稳健性。因此&#xff0c;Docker…
阅读更多...
SCI一区TOP|双曲正弦余弦优化算法（SCHO）原理及实现【免费获取Matlab代码】

SCI一区TOP|双曲正弦余弦优化算法（SCHO）原理及实现【免费获取Matlab代码】

目录 1.背景2.算法原理2.1算法思想2.2算法过程 3.结果展示4.参考文献5.代码获取 1.背景 2023年&#xff0c;J Bai受到双曲正弦余弦函数启发&#xff0c;提出了双曲正弦余弦优化算法&#xff08;Sinh Cosh optimizer, SCHO&#xff09;。 2.算法原理 2.1算法思想 SCHO灵感来源…
阅读更多...
分布式锁（Redission）

分布式锁（Redission）

分布式锁&#xff1a; 使用场景&#xff1a; 通常对于一些使用率高的服务&#xff0c;我们会进行多次部署&#xff0c;可能会部署在不同的服务器上&#xff0c;但是他们获取和操作的数据仍然是同一份。为了保证服务的强一致性&#xff0c;我们需要对线程进行加锁&#xff0c;…
阅读更多...
ROS中的TF是什么

ROS中的TF是什么

在ROS (Robot Operating System) 中&#xff0c;tf::TransformBroadcaster 是一个用于发布坐标变换信息的重要类&#xff0c;尤其在处理机器人定位和导航数据时非常常见。tf::TransformBroadcaster 对象允许你广播从一个坐标系到另一个坐标系的变换关系&#xff0c;这对于多传感…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023