网站开发的工作好做吗,公司网站建设计入什么费用,中国城乡住房和建设部网站首页,工作不好找怎么办形态学#xff0c;即数学形态学#xff08;Mathematical Morphology#xff09;#xff0c;是图像处理过程中一个非常重要的研 究方向。形态学主要从图像内提取分量信息#xff0c;该分量信息通常对于表达和描绘图像的形状具有 重要意义#xff0c;通常是图像理解时所使用… 形态学即数学形态学Mathematical Morphology是图像处理过程中一个非常重要的研 究方向。形态学主要从图像内提取分量信息该分量信息通常对于表达和描绘图像的形状具有 重要意义通常是图像理解时所使用的最本质的形状特征。例如在识别手写数字时能够通 过形态学运算得到其骨架信息在具体识别时仅针对其骨架进行运算即可。形态学处理在视觉检测、文字识别、医学图像处理、图像压缩编码等领域都有非常重要的应用。 形态学操作主要包含腐蚀、膨胀、开运算、闭运算、形态学梯度Morphological Gradient运算、顶帽运算礼帽运算、黑帽运算等操作。腐蚀操作和膨胀操作是形态学运算的基础 将腐蚀和膨胀操作进行结合就可以实现开运算、闭运算、形态学梯度运算、顶帽运算、黑帽运算、击中击不中等不同形式的运算。
腐蚀原理
腐蚀是最基本的形态学操作之一它能够将图像的边界点消除使图像沿着边界向内收缩也可以将小于指定结构体元素的部分去除。
说白了就是让图片中的胖子慢慢的变成瘦子
腐蚀用来“收缩”或者“细化”二值图像中的前景借此实现去除噪声、元素分割等功能。
例如在图 8-1 中左图是原始图像右图是对其腐蚀的处理结果。 在腐蚀过程中通常使用一个结构元来逐个像素地扫描要被腐蚀的图像并根据结构元和被腐蚀图像的关系来确定腐蚀结果。
例如在图 8-2 中整幅图像的背景色是黑色的前景对象是一个白色的圆形。图像左上角的深色小方块是遍历图像所使用的结构元。在腐蚀过程中要将该结构元逐个像素地遍历整幅图像并根据结构元与被腐蚀图像的关系来确定腐蚀结果图像中对应结构元中心点位置的像素点的值。 需要注意的是腐蚀操作等形态学操作是逐个像素地来改变值的每次判定的点都是与结构元中心点所对应的点。
图 8-3 中的两幅图像表示结构元与前景色的两种不同关系。 根据这两种不同的关系来决定腐蚀结果图像中的结构元中心点所对应位置像素点的像素值。
如果结构元完全处于前景图像中图 8-3 的左图就将结构元中心点所对应的腐蚀结果图像中的像素点处理为前景色白色像素点的像素值为 1。如果结构元未完全处于前景图像中可能部分在也可能完全不在图 8-3 的右图就将结构元中心点对应的腐蚀结果图像中的像素点处理为背景色黑色像素点的像素值为 0。 针对图 8-3 中的图像腐蚀的结果就是前景色的白色圆直径变小。上述结构元也被称为核。
例如有需要被腐蚀的图像 img其值如下其中 1 表示白色前景0 表示黑色背景
[[0 0 0 0 0]
[0 1 1 1 0]
[0 1 1 1 0]
[0 1 1 1 0]
[0 0 0 0 0]]有一个结构元 kernel其值为
[[1]
[1]
[1]]如果使用结构元 kernel 对图像 img 进行腐蚀则可以得到腐蚀结果图像 rst
[[0 0 0 0 0]
[0 0 0 0 0]
[0 1 1 1 0]
[0 0 0 0 0]
[0 0 0 0 0]]这是因为当结构元 kernel 在图像 img 内逐个像素遍历时只有当核 kernel 的中心点 “kernel[1,0]”位于 img 中的 img[2,1]、img[2,2]、img[2,3]时核才完全处于前景图像中。
所以在腐蚀结果图像 rst 中只有这三个点的值被处理为 1其余像素点的值被处理为 0。
上述示例如图 8-4 所示其中
图(a)表示要被腐蚀的 img。图(b)是核 kernel。图©中的阴影部分是 kernel 在遍历 img 时kernel 完全位于前景对象内部时的 3 个全部 可能位置此时核中心分别位于 img[2,1]、img[2,2]和 img[2,3]处。图(d)是腐蚀结果 rst即在 kernel 完全位于前景图象中时将其中心点所对应的 rst 中像素点的值置为 1当 kernel 不完全位于前景图像中时将其中心点对应的 rst 中像素点的值置为 0。 函数 cv2.erode() 说明
在 OpenCV 中使用函数 cv2.erode()实现腐蚀操作其语法格式为 dst cv2.erode( src, kernel[, anchor[, iterations[, borderType[, borderValue]]]] ) 式中 dst 是腐蚀后所输出的目标图像该图像和原始图像具有同样的类型和大小。 src 是需要进行腐蚀的原始图像图像的通道数可以是任意的。但是要求图像的深度必须是 CV_8U、CV_16U、CV_16S、CV_32F、CV_64F 中的一种。 kernel 代表腐蚀操作时所采用的结构类型。它可以自定义生成也可以通过函数cv2.getStructuringElement()生成。 anchor 代表 element 结构中锚点的位置。该值默认为(-1,-1)在核的中心位置。 iterations 是腐蚀操作迭代的次数该值默认为 1即只进行一次腐蚀操作。 borderType 代表边界样式一般采用其默认值 BORDER_CONSTANT。该项的具体值如表 8-1 所示。 borderValue 是边界值一般采用默认值。在 C中提供了函数 morphologyDefaultBorderValue()来返回腐蚀和膨胀的“魔力magic”边界值Python 不支持该函数。
代码示例 使用数组演示腐蚀的基本原理
代码如下
import cv2
import numpy as np
imgnp.zeros((5,5),np.uint8)
#对图像进行赋值
img[1:4,1:4]1
#设置卷积核
kernel np.ones((3,1),np.uint8)
#对图像进行腐蚀操作
erosion cv2.erode(img,kernel)
print(img\n,img)
print(kernel\n,kernel)
print(erosion\n,erosion)运行结果
img[[0 0 0 0 0][0 1 1 1 0][0 1 1 1 0][0 1 1 1 0][0 0 0 0 0]]
kernel[[1][1][1]]
erosion[[0 0 0 0 0][0 0 0 0 0][0 1 1 1 0][0 0 0 0 0][0 0 0 0 0]]从本例中可以看到只有当核 kernel 的中心点位于 img 中的 img[2,1]、img[2,2]、img[2,3]处时核才完全处于前景图像中。
所以在腐蚀结果图像中只有这三个点的值为 1其余点的值皆为 0。
示例2使用函数 cv2.erode()完成图像腐蚀
代码如下
import cv2
import numpy as np
ocv2.imread(fushi.bmp,cv2.IMREAD_UNCHANGED)
#创建结构元素
kernel np.ones((7,7),np.uint8)
#腐蚀
erosion cv2.erode(o,kernel)
cv2.imshow(orriginal,o)
cv2.imshow(erosion,erosion)
cv2.waitKey()
cv2.destroyAllWindows()运行效果 左图是原始图像右图是腐蚀处理结果。从图中可 以看到腐蚀操作将原始图像内的毛刺腐蚀掉了。
调节函数 cv2.erode()的参数观察不同参数控制下的图像腐蚀效果 使用参数 iterations 5 对函数 cv2.erode()的迭代次数进行控制让其迭代 5 次。
代码如下
import cv2
import numpy as np
ocv2.imread(fushi.bmp,cv2.IMREAD_UNCHANGED)
#创建结构元素
kernel np.ones((7,7),np.uint8)
#腐蚀
erosion cv2.erode(o,kernel,iterations 5)
cv2.imshow(orriginal,o)
cv2.imshow(erosion,erosion)
cv2.waitKey()
cv2.destroyAllWindows()从结果中可以看出迭代的次数越多腐蚀的越明显
更多参数调整测试可以自己多动手试试
