网站代码隐蔽代码,jsp网站开发pdf,建设网站0基础需要学什么,企业管理软件属于系统软件吗专栏地址#xff1a;『youcans 的图像处理学习课』 文章目录#xff1a;『youcans 的图像处理学习课 - 总目录』 【youcans 的图像处理学习课】11. 形态学图像处理#xff08;上#xff09; 【youcans 的图像处理学习课】11. 形态学图像处理#xff08;中#xff09; 【y… 专栏地址『youcans 的图像处理学习课』 文章目录『youcans 的图像处理学习课 - 总目录』 【youcans 的图像处理学习课】11. 形态学图像处理上 【youcans 的图像处理学习课】11. 形态学图像处理中 【youcans 的图像处理学习课】11. 形态学图像处理下 【youcans 的 OpenCV 学习课】11. 形态学图像处理上 文章目录【youcans 的 OpenCV 学习课】11. 形态学图像处理上1. 形态学图像处理简介2. 形态学基本操作2.1 腐蚀例程 10.1图像的腐蚀 (cv.erode)2.2 膨胀例程 10.2图像的膨胀 (cv.dilate)2.3 开运算例程 10.3图像的开运算 (morphologyEx)2.4 闭运算例程 10.4图像的闭运算cv.morphologyEx2.5 顶帽运算和底帽运算例程 10.5形态学之顶帽运算例程 10.6形态学之底帽运算2.6 形态学梯度例程 10.7图像的形态学梯度2.7 击中-击不中变换HMT例程 10.8击中-击不中变换进行图像细化例程 10.9击中-击不中变换进行特征识别1. 形态学图像处理简介
形态学是生物学的概念主要研究动植物的形态和结构。数学形态学Mathematical morphology是建立在集合论和拓扑学基础之上的图像分析学科。
图像处理中的形态学是指基于形状的图像处理操作以数学形态学为工具从图像中提取表达和描绘区域形状的图像结构信息如边界、骨架、凸壳等还包括用于预处理或后处理的形态学过滤、细化和修剪等。形态学图像处理最初用于处理二值图进而推广到灰度级图像处理其运算简单、效果良好。
形态学图像处理的运算是用集合定义的基本运算包括二值腐蚀和膨胀二值开闭运算骨架抽取极限腐蚀击中击不中变换形态学梯度顶帽变换颗粒分析流域变换灰值腐蚀和膨胀灰值开闭运算灰值形态学梯度等。
形态学的基本思想是利用结构元素测量或提取输入图像中的形状或特征以便进行图像分析和目标识别。结构元的功能是检查给定图像中的特定结构特征。形态学操作都是基于各种形状的结构元结构元对输入图像进行操作得到输出图像。
在二值图像中所有黑色像素的集合是图像完整的形态学描述。假定二值图像 A 和形态学处理的结构元素 B 是定义在笛卡儿网格上的集合结构元素Structuring ElementsSE可以是任意形状如矩形、十字形。结构元有一个锚点 O定义为结构元的中心。 2. 形态学基本操作
2.1 腐蚀
腐蚀和膨胀是图像处理中最基本的形态学操作是很多高级处理方法的基础。
腐蚀和膨胀是对白色部分高亮部分而言的膨胀就是图像中的高亮部分进行膨胀腐蚀就是原图中的高亮部分被腐蚀。
腐蚀使图像中白色高亮部分被腐蚀“邻域被蚕食”腐蚀的效果拥有比原图更小的高亮区域可以去掉毛刺去掉孤立的像素提取骨干信息。
腐蚀的原理是求局部最小值的操作将 0 值扩充到邻近像素从而扩大黑色值范围、压缩白色值范围。
结构元 B 对集合 A 的腐蚀定义为 A⊖B{z∣(B)z⊆A}A \ominus B \{ z | (B)_z \subseteq A\} A⊖B{z∣(B)z⊆A}
用卷积来描述腐蚀操作结构元素 B 是中心为 1、其它为 0 的卷积模板核 1卷积核 B 沿着图像滑动扫描图像 A 的每一个像素 2用结构元素与其覆盖的二值图像进行 “或操作” 3如果图像与卷积核对应区域的所有像素值都是 1则图像的该像素值仍为 1否则为 0。
OpenCV 提供了函数 cv.erode 可以实现图像的腐蚀。
函数说明
cv.erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) → dst函数 cv.erode 使用指定的结构元卷积核侵蚀源图像结构元确定像素邻域的形状在该邻域上取最小值 dst(x,y)min(x′,y′):element(x′,y′≠0)src(xx′,yy′)dst(x,y) \min_{\enspace (x,y):element(x,y \neq 0)} \enspace src(xx,yy) dst(x,y)(x′,y′):element(x′,y′0)minsrc(xx′,yy′)
参数说明
src输入图像可以为单通道或多通道图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64Fdst输出图像大小和类型与 src 相同kernel结构元卷积核null 时使用 3*3 矩形结构元素anchor卷积核的锚点位置默认值 (-1, -1) 表示以卷积核的中心为锚点iterations应用腐蚀操作的次数可选项默认值为 1borderType边界扩充的类型borderValue当 borderTypeBORDER_CONSTANT 时以常量 value 填充扩充边界默认值为 (0,0,0)
注意事项
函数支持就地模式腐蚀操作可以迭加使用多次。在多通道图像的情况下每个通道独立处理 。 例程 10.1图像的腐蚀 (cv.erode) # 10.1 图像的腐蚀 (cv.erode)# 读取原始图像imgGray cv2.imread(../images/Fig0905a.tif, flags0) # flags0 读取为灰度图像ret, imgBin cv2.threshold(imgGray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化处理# 图像腐蚀kSize (3, 3) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgErode1 cv2.erode(imgBin, kernelkernel) # 图像腐蚀kSize (9, 9)kernel np.ones(kSize, dtypenp.uint8)imgErode2 cv2.erode(imgBin, kernelkernel)kSize (25, 25)kernel np.ones(kSize, dtypenp.uint8)imgErode3 cv2.erode(imgBin, kernelkernel)plt.figure(figsize(10, 5))plt.subplot(141), plt.axis(off), plt.title(Origin)plt.imshow(imgBin, cmapgray, vmin0, vmax255)plt.subplot(142), plt.title(eroded kSize(3,3)), plt.axis(off)plt.imshow(imgErode1, cmapgray, vmin0, vmax255)plt.subplot(143), plt.title(eroded kSize(9,9)), plt.axis(off)plt.imshow(imgErode2, cmapgray, vmin0, vmax255)plt.subplot(144), plt.title(eroded kSize(25,25)), plt.axis(off)plt.imshow(imgErode3, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()2.2 膨胀
膨胀使图像中的白色高亮部分进行膨胀“邻域扩张”膨胀效果拥有比原图更大的高亮区域可以填补图像缺陷用来扩充边缘或填充小的孔洞也可以用来连接两个分开的物体。
膨胀的原理是求局部最大值的操作将 1 值扩充到邻近像素从而扩大白色值范围、压缩黑色值范围。
结构元 B 对集合 A 的膨胀定义为 A⊕B{z∣(B^)z∩A≠∅}A \oplus B \{ z | (\hat B)_z \cap A \neq \varnothing \} A⊕B{z∣(B^)z∩A∅}
用卷积来描述膨胀操作中心为 1、其它为 0 的卷积核沿着图像滑动卷积与卷积核对应的原图像的像素值中只要有一个为 1 则图像的中心元素的像素值为 1否则全 0为 0。
用卷积来描述膨胀操作结构元素 B 是中心为 1、其它为 0 的卷积模板核 1卷积核 B 沿着图像滑动扫描图像 A 的每一个像素 2用结构元素与其覆盖的二值图像进行 “与操作” 3如果图像与卷积核对应区域的所有像素值都是 0则图像的该像素值仍为 0否则为 1。
在去噪声时通常先进行腐蚀在去掉白噪声的同时使前景对象变小然后再对进行膨胀此时噪声已经被去除可以增加前景。
OpenCV 提供了函数 cv.dilate 可以实现图像的膨胀。
函数说明
cv.dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) → dst函数 cv.dilate 使用指定的结构元卷积核膨胀源图像结构元确定像素邻域的形状在该邻域上取最大值
dst(x,y)max(x′,y′):element(x′,y′≠0)src(xx′,yy′)dst(x,y) \max_{\enspace (x,y):element(x,y \neq 0)} \enspace src(xx,yy) dst(x,y)(x′,y′):element(x′,y′0)maxsrc(xx′,yy′)
参数说明
src输入图像可以为单通道或多通道图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64Fdst输出图像大小和类型与 src 相同kernel结构元卷积核null 时使用 3*3 矩形卷积核anchor卷积核的锚点位置默认值 (-1, -1) 表示以卷积核的中心为锚点iterations应用膨胀的次数可选项默认值为 1borderType边界扩充的类型borderValue当 borderTypeBORDER_CONSTANT 时以常量 value 填充扩充边界默认值为 (0,0,0)
注意事项 函数支持就地模式腐蚀操作可以迭加使用多次。 在多通道图像的情况下每个通道独立处理 。 例程 10.2图像的膨胀 (cv.dilate) # 10.2 图像的膨胀 (cv.dilate)# cv.dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) → dst# 读取原始图像imgGray cv2.imread(../images/handwriting01.png, flags0) # flags0 读取为灰度图像ret, imgBin cv2.threshold(imgGray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化处理# 图像膨胀kSize (3, 3) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgDilate1 cv2.dilate(imgBin, kernelkernel) # 图像膨胀kSize (5, 5)kernel np.ones(kSize, dtypenp.uint8)imgDilate2 cv2.dilate(imgBin, kernelkernel) # 图像膨胀kSize (7, 7)kernel np.ones(kSize, dtypenp.uint8)imgDilate3 cv2.dilate(imgBin, kernelkernel) # 图像膨胀plt.figure(figsize(10, 5))plt.subplot(141), plt.axis(off), plt.title(Origin)plt.imshow(imgBin, cmapgray, vmin0, vmax255)plt.subplot(142), plt.title(dilate kSize(3,3)), plt.axis(off)plt.imshow(imgDilate1, cmapgray, vmin0, vmax255)plt.subplot(143), plt.title(dilate kSize(5,5)), plt.axis(off)plt.imshow(imgDilate2, cmapgray, vmin0, vmax255)plt.subplot(144), plt.title(dilate kSize(7,7)), plt.axis(off)plt.imshow(imgDilate3, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()2.3 开运算
膨胀扩展集合的组成部分而腐蚀缩小集合的组成部分。开运算就是先腐蚀后膨胀的过程通常用于去除噪点、断开狭窄的狭颈、消除细长的突出、平滑物体边界但不改变面积。
结构元 B 对集合 A 的开运算定义为
A∘B(A⊖B)⊕BA \circ B (A \ominus B) \oplus B A∘B(A⊖B)⊕B
首先 B 对 A 腐蚀然后 B 对腐蚀结果膨胀。
开运算是一个基于几何运算的滤波器结构元大小的不同将导致不同的滤波效果提取出不同的特征 。
OpenCV 提供了函数 cv.morphologyEx 可以实现图像的开运算。
函数说明
cv.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )→ dst函数 cv.morphologyEx 使用侵蚀erosion和膨胀dilation作为基本操作来执行高级形态转换。
参数说明
src输入图像可以为单通道或多通道图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64Fdst输出图像大小和类型与 src 相同op形态学运算类型 cv.MORPH_ERODE腐蚀cv.MORPH_DILATE膨胀cv.MORPH_OPEN开运算 先腐蚀再膨胀cv.MORPH_CLOSE闭运算 先膨胀再腐蚀cv.MORPH_GRADIENT形态学梯度 膨胀图与腐蚀图之差cv.MORPH_TOPHAT顶帽变换 原图像与开运算之差cv.MORPH_BLACKHAT黑帽变换 闭运算图与原图像之差cv.MORPH_HITMISS 击中击不中运算 kernel结构元卷积核null 时使用 3*3 矩形卷积核anchor卷积核的锚点位置负值表示以卷积核的中心为锚点iterations应用腐蚀和膨胀的次数可选项默认值为 1borderType边界扩充的类型borderValue当 borderTypeBORDER_CONSTANT 时以常量 value 填充扩充边界默认值为 (0,0,0)
注意事项
函数支持就地模式开运算操作可以迭加使用多次。迭代次数是应用腐蚀和膨胀操作的次数注意两次迭代的开操作相当于应用“腐蚀→腐蚀→膨胀→膨胀”而不是“腐蚀→膨胀→腐蚀→膨胀”。 例程 10.3图像的开运算 (morphologyEx) # 10.3 图像的开运算 (cv.morphologyEx)# 读取原始图像imgGray cv2.imread(../images/Fig0905a.tif, flags0) # flags0 读取为灰度图像ret, imgBin cv2.threshold(imgGray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化处理# 图像腐蚀kSize (3, 3) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgErode cv2.erode(imgBin, kernelkernel) # 图像腐蚀# 图像的开运算kSize (3, 3) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgOpen cv2.morphologyEx(imgGray, cv2.MORPH_OPEN, kernel)plt.figure(figsize(9, 5))plt.subplot(131), plt.axis(off), plt.title(Origin)plt.imshow(imgGray, cmapgray, vmin0, vmax255)plt.subplot(132), plt.title(Eroded kSize(3,3)), plt.axis(off)plt.imshow(imgErode, cmapgray, vmin0, vmax255)plt.subplot(133), plt.title(Opening kSize(3,3)), plt.axis(off)plt.imshow(imgOpen, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()2.4 闭运算
闭运算就是先膨胀后腐蚀的过程通常用于弥合狭窄的断裂和细长的沟壑消除小孔填补轮廓中的缝隙消除噪点连接相邻的部分。
结构元 B 对集合 A 的闭运算定义为
A∙B(A⊕B)⊖BA \bullet B (A \oplus B) \ominus B A∙B(A⊕B)⊖B
首先 B 对 A 膨胀然后 B 对膨胀结果腐蚀。
闭运算通过填充图像的凹角来实现图像滤波结构元大小的不同将导致滤波效果的不同不同结构元素的选择导致不同的分割。
OpenCV 中的函数 cv.morphologyEx 也可以实现图像的闭运算但要将参数 op 设为 MORPH_CLOSE 。
函数说明
cv.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )→ dst参数说明
src输入图像可以为单通道或多通道图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64Fdst输出图像大小和类型与 src 相同op形态学运算类型 cv.MORPH_ERODE腐蚀cv.MORPH_DILATE膨胀cv.MORPH_OPEN开运算 先腐蚀再膨胀cv.MORPH_CLOSE闭运算 先膨胀再腐蚀 kernel结构元卷积核null 时使用 3*3 矩形卷积核anchor卷积核的锚点位置负值表示以卷积核的中心为锚点iterations应用腐蚀和膨胀的次数可选项默认值为 1 例程 10.4图像的闭运算cv.morphologyEx # 10.4 图像的闭运算 (cv.morphologyEx)# 读取原始图像imgGray cv2.imread(../images/handwriting01.png, flags0) # flags0 读取为灰度图像mu, sigma 0.0, 10.0noiseGause np.random.normal(mu, sigma, imgGray.shape)imgNoisy imgGray noiseGauseimgNoisy np.uint8(cv2.normalize(imgNoisy, None, 0, 255, cv2.NORM_MINMAX)) # 归一化为 [0,255]ret, imgBin cv2.threshold(imgNoisy, 125, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化处理# 图像的闭运算kSize (2, 2) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgClose1 cv2.morphologyEx(imgBin, cv2.MORPH_CLOSE, kernel)kSize (3, 3) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgClose2 cv2.morphologyEx(imgBin, cv2.MORPH_CLOSE, kernel)kSize (5, 5) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgClose3 cv2.morphologyEx(imgBin, cv2.MORPH_CLOSE, kernel)plt.figure(figsize(10, 5))plt.subplot(141), plt.axis(off), plt.title(Origin)plt.imshow(imgNoisy, cmapgray, vmin0, vmax255)plt.subplot(142), plt.title(Closed kSize(2,2)), plt.axis(off)plt.imshow(imgClose1, cmapgray, vmin0, vmax255)plt.subplot(143), plt.title(Closed kSize(3,3)), plt.axis(off)plt.imshow(imgClose2, cmapgray, vmin0, vmax255)plt.subplot(144), plt.title(Closed kSize(5,5)), plt.axis(off)plt.imshow(imgClose3, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()2.5 顶帽运算和底帽运算
顶帽变换和底帽变换用结构元通过开操作或闭操作从一副图像中删除物体得到仅保留已删除分量的图像。顶帽变换用于暗背景上的亮物体而底帽变换则用于用于亮背景上的暗物体常用于校正不均匀光照的影响。
结构元 B 对集合 A 的顶帽运算定义为原图像减去图像开运算结果 That(A)A−(A∘B)A−(A⊖B)⊕BT_{hat}(A) A - (A \circ B) A - (A \ominus B) \oplus B That(A)A−(A∘B)A−(A⊖B)⊕B
开运算可以删除暗背景下的亮区域顶帽变换可以得到原图中的亮区域因此又称白顶帽变换。
顶帽运算可以提取图像的噪声信息也用于校正不均匀光照的影响用来分离比邻近点亮的斑块。
结构元 B 对集合 A 的底帽运算定义为图像闭运算结果减去原图像 Bhat(A)A∙B−A(A⊕B)⊖B−AB_{hat}(A) A \bullet B - A (A \oplus B) \ominus B - A Bhat(A)A∙B−A(A⊕B)⊖B−A
闭运算可以删除亮背景下的暗区域底帽变换可以得到原图中的暗区域因此又称黑底帽变换。
底帽运算突出了比原图轮廓周围的区域更暗的区域而且效果与核的大小相关可以分离比邻近点暗的斑块。
OpenCV 中的函数 cv.morphologyEx 可以实现图像的顶帽运算和底帽运算参数 op 则要分别设为 MORPH_TOPHAT、MORPH_BLACKHAT。
函数说明
cv.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )→ dst参数说明
src输入图像可以为单通道或多通道图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64F 。op形态学运算类型 cv.MORPH_OPEN开运算 先腐蚀再膨胀cv.MORPH_CLOSE闭运算 先膨胀再腐蚀cv.MORPH_GRADIENT形态学梯度 膨胀图与腐蚀图之差cv.MORPH_TOPHAT顶帽变换 原图像与开运算之差cv.MORPH_BLACKHAT黑帽变换 闭运算图与原图像之差 kernel结构元卷积核null 时使用 3*3 矩形卷积核 例程 10.5形态学之顶帽运算 # 10.5 形态学之顶帽运算# 读取原始图像imgGray cv2.imread(../images/Fig0726a.tif, flags0) # flags0 读取为灰度图像ret, imgBin cv2.threshold(imgGray, 205, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化处理kernel np.ones((5, 5), np.uint8) # 卷积核imgOpen cv2.morphologyEx(imgBin, cv2.MORPH_OPEN, kernel) # 开运算imgThat cv2.morphologyEx(imgBin, cv2.MORPH_TOPHAT, kernel) # 顶帽运算plt.figure(figsize(9, 5))plt.subplot(131), plt.axis(off), plt.title(Origin)plt.imshow(imgBin, cmapgray, vmin0, vmax255)plt.subplot(132), plt.title(MORPH_OPEN), plt.axis(off)plt.imshow(imgOpen, cmapgray, vmin0, vmax255)plt.subplot(133), plt.title(MORPH_TOPHAT), plt.axis(off)plt.imshow(imgThat, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()例程 10.6形态学之底帽运算 # 10.6 形态学之底帽运算# 读取原始图像imgGray cv2.imread(../images/Fig0338a.tif, flags0) # flags0 读取为灰度图像ret, imgBin cv2.threshold(imgGray, 127, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化处理kernel np.ones((5, 5), np.uint8) # 卷积核imgClose cv2.morphologyEx(imgBin, cv2.MORPH_CLOSE, kernel) # 闭运算imgBhat cv2.morphologyEx(imgBin, cv2.MORPH_BLACKHAT, kernel) # 底帽运算plt.figure(figsize(9, 5))plt.subplot(131), plt.axis(off), plt.title(Origin)plt.imshow(imgBin, cmapgray, vmin0, vmax255)plt.subplot(132), plt.title(MORPH_CLOSE), plt.axis(off)plt.imshow(imgClose, cmapgray, vmin0, vmax255)plt.subplot(133), plt.title(MORPH_BLACKHAT), plt.axis(off)plt.imshow(imgBhat, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()2.6 形态学梯度
图像的形态学梯度运算是膨胀图像与腐蚀图像之差 可以得到图像的轮廓通常用于提取物体边缘。
结构元 B 对集合 A 的形态学梯度运算定义为
G(A⊕B)−(A⊖B)G (A \oplus B) - (A \ominus B) G(A⊕B)−(A⊖B)
闭运算通过填充图像的凹角来实现图像滤波结构元大小的不同将导致滤波效果的不同不同结构元素的选择导致不同的分割。
OpenCV 中的函数 cv.morphologyEx 可以实现形态学梯度运算但要将参数 op 设为 MORPH_GRADIENT。
函数说明
cv.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )→ dst函数 cv.morphologyEx 使用侵蚀erosion和膨胀dilation作为基本操作来执行高级形态转换。
参数说明
src输入图像可以为单通道或多通道图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64Fdst输出图像大小和类型与 src 相同op形态学运算类型 cv.MORPH_ERODE腐蚀cv.MORPH_DILATE膨胀cv.MORPH_OPEN开运算 先腐蚀再膨胀cv.MORPH_CLOSE闭运算 先膨胀再腐蚀cv.MORPH_GRADIENT形态学梯度 膨胀图与腐蚀图之差 kernel结构元卷积核null 时使用 3*3 矩形卷积核 例程 10.7图像的形态学梯度 # 10.7 图像的形态学梯度运算 (cv.morphologyEx)# 读取原始图像imgGray cv2.imread(../images/handwriting03.png, flags0) # flags0 读取为灰度图像ret, imgBin cv2.threshold(imgGray, 15, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化处理# 图像的形态学梯度kSize (3, 3) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgGrad1 cv2.morphologyEx(imgBin, cv2.MORPH_GRADIENT, kernel) # 形态学梯度kSize (5, 5) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgGrad2 cv2.morphologyEx(imgBin, cv2.MORPH_GRADIENT, kernel) # 形态学梯度kSize (3, 3) # 卷积核的尺寸kernel np.ones(kSize, dtypenp.uint8) # 生成盒式卷积核imgOpen cv2.morphologyEx(imgBin, cv2.MORPH_OPEN, kernel) # 开运算imgOpenGrad cv2.morphologyEx(imgOpen, cv2.MORPH_GRADIENT, kernel) # 形态学梯度plt.figure(figsize(10, 5))plt.subplot(141), plt.axis(off), plt.title(Origin)plt.imshow(imgGray, cmapgray, vmin0, vmax255)plt.subplot(142), plt.title(Gradient (size3)), plt.axis(off)plt.imshow(imgGrad1, cmapgray, vmin0, vmax255)plt.subplot(143), plt.title(Gradient (size5)), plt.axis(off)plt.imshow(imgGrad2, cmapgray, vmin0, vmax255)plt.subplot(144), plt.title(Opening - Gradient), plt.axis(off)plt.imshow(imgOpenGrad, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()2.7 击中-击不中变换HMT
击中-击不中是形态检测的基本工具可以实现对象的细化和剪枝操作常用于物体识别、图像细化。
击中-击不中变换变换定义为两个结构元 B1、B2 对对集合 A 的运算 I⊛B1,2(A⊖B1)∩(Ac⊖B2)I \circledast B_{1,2} (A \ominus B_1) \cap (A^c \ominus B_2) I⊛B1,2(A⊖B1)∩(Ac⊖B2)
结构元 B1 对图像上进行腐蚀、结构元 B2 对图像的补集进行腐蚀二者的结果相减得到击中-击不中变换。
击中击不中变换有两个结构元B1 是当前位置可以有的形状B2是当前位置不可以有的形状虽然总体而言这两个结构元应该被视为一体但在实际运算中是先后进行两次腐蚀运算然后取交集。
严格来说击中击不中并非相当于腐蚀操作而是类似于严格的模板匹配。只有符合要求的形状才会在最终结果中显示出来。
OpenCV 中的函数 cv.morphologyEx 可以实现击中-击不中变换但要将参数 op 设为 cv.MORPH_HITMISS并使用 CV_32SC 数据类型。
函数说明
cv.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )→ dst函数 cv.morphologyEx 使用侵蚀erosion和膨胀dilation作为基本操作来执行高级形态转换。
参数说明
src输入图像可以为单通道或多通道图像深度必须为 CV_8U, CV_16U, CV_16S, CV_32F 或 CV_64Fdst输出图像大小和类型与 src 相同op形态学运算类型 cv.MORPH_ERODE腐蚀cv.MORPH_DILATE膨胀cv.MORPH_HITMISS 击中击不中运算 kernel结构元卷积核null 时使用 3*3 矩形卷积核 例程 10.8击中-击不中变换进行图像细化 # 10.8 击中-击不中变换进行图像细化# 读取原始图像imgGray cv2.imread(../images/handwriting03.png, flags0) # flags0 读取为灰度图像ret, imgBin cv2.threshold(imgGray, 25, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化处理# 闭运算kernel np.ones((3, 3), dtypenp.uint8) # 生成盒式卷积核imgClose cv2.morphologyEx(imgBin, cv2.MORPH_CLOSE, kernel) # 闭运算# 击中击不中变换kernB1 np.array([[0, 0, 0],[0, -1, 1],[0, 0, 0]], dtypenp.int32) # B1kernB2 np.array([[0, 0, 0],[1, -1, 0],[0, 0, 0]], dtypenp.int32) # B2imgH1 cv2.morphologyEx(imgClose, cv2.MORPH_HITMISS, kernB1)imgH2 cv2.morphologyEx(imgClose, cv2.MORPH_HITMISS, kernB2)imgHMT cv2.add(imgH1, imgH2) # 击中击不中plt.figure(figsize(10, 5))plt.subplot(141), plt.axis(off), plt.title(Origin)plt.imshow(imgBin, cmapgray, vmin0, vmax255)plt.subplot(142), plt.title(kern B1), plt.axis(off)plt.imshow(imgH1, cmapgray, vmin0, vmax255)plt.subplot(143), plt.title(kern B2), plt.axis(off)plt.imshow(imgH2, cmapgray, vmin0, vmax255)plt.subplot(144), plt.title(HMT), plt.axis(off)plt.imshow(imgHMT, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()例程 10.9击中-击不中变换进行特征识别 # 10.9 击中-击不中变换进行特征识别# 读取原始图像imgGray cv2.imread(../images/imgNetrope.png, flags0) # flags0 读取为灰度图像ret, imgBin cv2.threshold(imgGray, 25, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU) # 二值化处理# 击中击不中变换kernal1 cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5), (-1, -1))kernal2 cv2.getStructuringElement(cv2.MORPH_CROSS, (9,9), (-1, -1))imgHMT1 cv2.morphologyEx(imgBin, cv2.MORPH_HITMISS, kernal1)imgHMT2 cv2.morphologyEx(imgBin, cv2.MORPH_HITMISS, kernal2)plt.figure(figsize(9, 5))plt.subplot(131), plt.axis(off), plt.title(Origin)plt.imshow(imgBin, cmapgray, vmin0, vmax255)plt.subplot(132), plt.title(HMT (5,5)), plt.axis(off)plt.imshow(imgHMT1, cmapgray, vmin0, vmax255)plt.subplot(133), plt.title(HMT (9,9)), plt.axis(off)plt.imshow(imgHMT2, cmapgray, vmin0, vmax255)plt.tight_layout()plt.show()版权声明 youcansxupt 原创作品转载必须标注原文链接(https://blog.csdn.net/youcans/article/details/127133784) Copyright 2022 youcans, XUPT 欢迎关注 『youcans 的 OpenCV 学习课』 系列持续更新 文章目录『youcans 的图像处理学习课 - 总目录』
