3.3.OpenCV技能树--二值图像处理--图像形态学操作

文章目录

  • 1.图像形态学运算简介
  • 2.图像开运算处理
    • 2.1.图像开运算处理简介
    • 2.2.图像开运算处理代码
    • 2.3.图像开运算处理效果
  • 3.图像闭运算处理
    • 3.1.图像闭运算处理简介
    • 3.2.图像闭运算处理代码
    • 3.3.图像闭运算处理效果
  • 4.图像形态学梯度处理
    • 4.1.图像形态学梯度处理简介
    • 4.2.图像形态学梯度处理代码
    • 4.3.图像形态学梯度处理效果
  • 5.图像顶帽处理
    • 5.1.图像顶帽处理简介
    • 5.2.图像顶帽处理代码
    • 5.3.图像顶帽处理效果
  • 6.图像黑帽处理
    • 6.1.图像黑帽处理简介
    • 6.2.图像黑帽处理代码
    • 6.3.图像黑帽处理效果
  • 7.参考文章与致谢

1.图像形态学运算简介

1.图像形态学运算简介:(1)图像形态学是指以形态为基础对图像进行分析的一种方法或技术。(2)图像形态学操作的核心思想是：从图像中提取用于表达或描绘图像形状的信息。(3)图像形态学操作的目的是：使计算机更够更好的对图像进行识别和理解。因为图像形态学处理后可以简化图像数据，同时保存了它们基本的形状特性，去除了不相干的结构。

常见的图像形态学处理操作:
在这里插入图片描述

2.图像开运算处理

2.1.图像开运算处理简介

2.1.图像开运算处理简介:
(1)开运算cv2.MORPH_OPEN：先腐蚀后膨胀--dilate(erode(img))
(2)图像开运算是图像依次经过腐蚀、膨胀处理后的过程。图像被腐蚀后，去除了噪声，但是也压缩了图像；接着对腐蚀过的图像进行膨胀处理，可以去除噪声，并保留原有图像。

2.2.图像开运算处理代码

#%%
#图像开运算
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
opening_img1= cv2.morphologyEx(img, cv2.MORPH_OPEN,kernel1) 
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子
opening_img2= cv2.morphologyEx(img, cv2.MORPH_OPEN,kernel2)plt.figure(figsize=(10,8))
figure=[img,opening_img1,opening_img2]
titile=[u'Orignal Figure',u'Opening Figure(k=9)',u'Opening Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

2.3.图像开运算处理效果

在这里插入图片描述

3.图像闭运算处理

3.1.图像闭运算处理简介

3.1.图像闭运算处理简介:(1)闭运算cv2.MORPH_CLOSE：先膨胀后腐蚀--erode(dilate(img))(2)图像闭运算是图像依次经过膨胀、腐蚀处理后的过程。图像先膨胀，后腐蚀，它有助于关闭前景物体内部的小孔，或物体上的小黑点。如下图所示：

3.2.图像闭运算处理代码

#%%
#图像闭运算
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子#闭运算两种核子
closing1_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel1)
closing2_img= cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel2)#绘图
plt.figure(figsize=(10,8))
figure=[img,closing1_img,closing2_img]
titile=[u'Orignal Figure',u'Clongsing Figure(k=9)',u'Clongsing Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

3.3.图像闭运算处理效果

在这里插入图片描述

4.图像形态学梯度处理

4.1.图像形态学梯度处理简介

4.1.图像形态学梯度处理简介:
（1）形态学梯度cv2.MORPH_GRADIENT：膨胀图-腐蚀图--dilate(img)-erode(img)
（2)图像梯度运算是膨胀图像减去腐蚀图像的结果，得到图像的轮廓，其中二值图像1表示白色点，0表示黑色点。

4.2.图像形态学梯度处理代码

#%%
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子#闭运算两种核子gradient1_img = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel1)
gradient2_img= cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel2)#绘图
plt.figure(figsize=(10,8))
figure=[img,gradient1_img,gradient2_img]
titile=[u'Orignal Figure',u'Gradient Figure(k=9)',u'Gradient Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

4.3.图像形态学梯度处理效果

在这里插入图片描述

5.图像顶帽处理

5.1.图像顶帽处理简介

5.1.图像顶帽处理简介:
(1)顶帽运算是原图-开运算图，所以顶帽运算可以获得图像的噪声信息，或者得到比原始图的边缘更亮的边缘信息。
(2)顶帽运算cv2.MORPH_TOPHAT：也叫礼帽运算，原始图像-开运算结果 -- img-open(img)

5.2.图像顶帽处理代码

#%%
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子#闭运算两种核子
tophat1_img = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel1)
tophat2_img= cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel2)#绘图
plt.figure(figsize=(10,8))
figure=[img,tophat1_img,tophat2_img]
titile=[u'Orignal Figure',u'Tophat Figure(k=9)',u'Tophat Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

5.3.图像顶帽处理效果

在这里插入图片描述

6.图像黑帽处理

6.1.图像黑帽处理简介

6.1.图像黑帽处理简介
（1）黑帽运算cv2.MORPH_BLACKHAT: 闭运算结果-原始图像 -- close(img)-img
（2）黑帽运算是闭运算图像-原始算图，所以黑帽运算可以获得图像内部的噪音，或者得到比原始图的边缘更暗的边缘信息。

6.2.图像黑帽处理代码

#%%
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子#闭运算两种核子
Blackhat1_img = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel1)
Blackhat2_img= cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel2)#绘图
plt.figure(figsize=(10,8))
figure=[img,Blackhat1_img,Blackhat2_img]
titile=[u'Orignal Figure',u'Blackhat Figure(k=9)',u'Blackhat Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

6.3.图像黑帽处理效果

在这里插入图片描述

7.参考文章与致谢

本章内容的完成离不开大佬们的文章/博客的启发和帮助，在这里列出名单，如果对于内容还有不懂的，可以移步对应的文章进行进一步的理解分析。
1.形态学操作的特点:https://blog.csdn.net/yxdd1gbk/article/details/91566586
2.Opencv形态学开闭运算:https://blog.csdn.net/qq_42856191/article/details/123670455
3.形态学处理:https://blog.csdn.net/zaishuiyifangxym/article/details/89791458
4.opencv学习笔记（八）：图像形态学操作:https://zhuanlan.zhihu.com/p/511628175
5.OPenCV技能树专栏:https://edu.csdn.net/skill/opencv/opencv-50c11401b1e8431c964f0771cfe7941b?category=658&typeId=20786
如果大家这这篇blog中有什么不明白的可以去他们的专栏里面看看，内容非常全面，应该能够有比较好的解答。
在文章的最后再次表达由衷的感谢！！

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.hqwc.cn/news/129704.html

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

相关文章

redis,mongoDB,mysql,Elasticsearch区别

redis,mongoDB,mysql,Elasticsearch区别

Redis： Redis是一种高性能键值存储数据库，基于内存操作，支持数据持久化，支持数据类型丰富灵活，如字符串、哈希、列表、集合、有序集合等。Redis还提供了订阅/发布、事务、Lua脚本、主从同步等功能，适用于访…
阅读更多...
python编程：使用 Pillow 将照片转换为1寸报名照片

python编程：使用 Pillow 将照片转换为1寸报名照片

引言： 在现代科技时代，我们经常需要调整和处理照片以适应特定的需求和用途。本文将介绍如何使用 wxPython 和 Pillow 库，通过一个简单的图形界面程序，将选择的照片转换为指定尺寸的 JPG 格式，并保存在桌面上。 C:\pyt…
阅读更多...
Java实验（头歌） -Java继承和多态接口

Java实验（头歌） -Java继承和多态接口

/*** 编写程序，实现两个数的求和运算和比较*/ // 请在下面的Begin-End之间按照注释中给出的提示编写正确的代码 /********** Begin **********/ // 定义一个接口类 Compute// 第一个为 sum()，实现两个数的相加，返回值为 int// 第二个为 max()…
阅读更多...
导引服务机器人 通用技术条件

导引服务机器人 通用技术条件

声明 本文是学习GB-T 42831-2023 导引服务机器人 通用技术条件. 而整理的学习笔记,分享出来希望更多人受益,如果存在侵权请及时联系我们 6 检验规则 6.1 检验项目 检验分为型式检验和出厂检验。检验项目见表2。 表 2 检验项目 序号 检验项目 技术要求 检验方法 出厂检验 型…
阅读更多...
vue启动项目，npm run dev出现error:0308010C:digital envelope routines::unsupported

vue启动项目，npm run dev出现error:0308010C:digital envelope routines::unsupported

运行vue项目，npm run dev的时候出现不支持错误error:0308010C:digital envelope routines::unsupported。 在网上找了很多，大部分都是因为版本问题，修改环境之类的，原因是对的但是大多还是没能解决。经过摸索终于解决了。 方法如…
阅读更多...
web漏洞-xml外部实体注入(XXE)

web漏洞-xml外部实体注入(XXE)

web漏洞-xml外部实体注入（XXE） 目录 web漏洞-xml外部实体注入（XXE）概念危害检测方法利用方法漏洞利用xxe-lab有回显情况无回显情况 pikachu靶场有回显内容无回显 修复方案 概念 xml可拓展标记语言： xml是一种可拓展的标…
阅读更多...
常用的分布式ID解决方案原理解析

常用的分布式ID解决方案原理解析

目录 前言 一：分布式ID的使用场景 二：分布式ID设计的技术指标 三：常见的分布式ID生成策略 3.1 UUID 3.2 数据库生成 3.3 数据库的多主模式 3.4 号段模式 3.5 雪花算法 前言 分布式ID的生成是分布式系统中非常核心的基础性模块&#…
阅读更多...
深入理解强化学习——强化学习的定义

深入理解强化学习——强化学习的定义

分类目录：《深入理解强化学习》总目录 在机器学习领域，有一类任务和人的选择很相似，即序列决策（Sequential Decision Making）任务。决策和预测任务不同，决策往往会带来“后果”，因此决策者需要为…
阅读更多...
计算机网络八股

计算机网络八股

1、请你说说TCP和UDP的区别 TCP提供面向连接的可靠传输，UDP提供面向无连接的不可靠传输。UDP在很多实时性要求高的场景有很好的表现，而TCP在要求数据准确、对速度没有硬件要求的场景有很好的表现。TCP和UDP都是传输层协议，都是为应用层程序服…
阅读更多...
性能监控-微服务链路追踪skywalking搭建

性能监控-微服务链路追踪skywalking搭建

skywalking是什么 SkyWalking是一个可观测性分析平台和应用性能管理系统，它基于OpenTracing规范和开源的AMP系统。SkyWalking提供了分布式跟踪、服务网格遥测分析、度量聚合和可视化一体化解决方案。具体来说，SkyWalking可以帮助我们看到一个请求经过的…
阅读更多...
【算法练习Day15】平衡二叉树二叉树的所有路径左叶子之和

【算法练习Day15】平衡二叉树二叉树的所有路径左叶子之和

​📝个人主页：Sherry的成长之路 🏠学习社区：Sherry的成长之路（个人社区） 📖专栏链接：练题 🎯长路漫漫浩浩，万事皆有期待 文章目录 平衡二叉树二叉树的所有路径…
阅读更多...
Redis三种模式（主从复制，哨兵，集群）

Redis三种模式（主从复制，哨兵，集群）

Redis三种模式（主从复制，哨兵，集群） 一、主从复制1.1、主从复制概述1.2、 Redis主从复制流程1.3、 Redis主从复制作用1.4 、部署Redis 主从复制 二、Redis 哨兵模式2.1、哨兵模式的原理2.2、哨兵模式的作用2.3、哨兵的结构组成2.4…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023