图片的腐蚀，膨胀，开丶闭运算，梯度计算，礼帽与黑帽

方晓明

1 腐蚀操作
　　用于图片的去毛刺，内容削减
　　

1. 1 #腐蚀操作
2. 2 #cv2.erode(src,kernel,iterations)
3. 3 #src是图片数字化数组
4. 4 #kernel则是一个盒，对该盒内的像素进行复试操作，值越小腐蚀能力越狠
5. 5 #iterations是一个迭代次数，就是说你对这个图片进行几次的腐蚀操作
6. 6 kernel = np.ones((30,30),np.uint8)
7. 7 erosion1 = cv2.erode(img,kernel,iterations=1)
8. 8 erosion2 = cv2.erode(img,kernel,iterations=2)
9. 9 erosion3 = cv2.erode(img,kernel,iterations=3)
10. 10 res = np.hstack((erosion1,erosion2,erosion3))
11. 11 Cv_Show('Erode Picture',res)

复制代码

2 膨胀操作

1. 1 #膨胀操作
2. 2 #因为在进行腐蚀操作后，原本不需要的腐蚀的地方会变细，此时可以通过膨胀操作加回来
3. 3 #cv2.dilate(src,kernel,iterations)
4. 4 #src是图像数字化数组
5. 5 #Kernel为盒，对该盒内的像素进行膨胀操作，值越小膨胀能力越强
6. 6 #iterations是一个迭代次数，就是说你对这个图片进行几次的膨胀操作
7. 7 kernel = np.ones((30,30),np.uint8)
8. 8 dilate1 = cv2.dilate(img,kernel,iterations=1)
9. 9 dilate2 = cv2.dilate(img,kernel,iterations=2)
10. 10 dilate3 = cv2.dilate(img,kernel,iterations=3)
11. 11 res = np.hstack((dilate1,dilate2,dilate3))
12. 12 Cv_Show('Erode Picture',res)

复制代码

3 开运算，闭运算
　　

1. 1 #开运算就是先腐蚀后膨胀，闭运算是先膨胀后腐蚀
2. 2 #cv2.morphologyEx(src,type,kernel)
3. 3 #src是图像数字化数组
4. 4 #type有cv2.MORPH_OPEN，cv2.MORPH_CLOSE两种
5. 5 #cv2.MORPH_OPEN就是开运算
6. 6 #cv2.MORPH_CLOSE就是闭运算
7. 7 #Kernel为盒，对该盒内的像素进行膨胀操作，值越小膨胀能力越强
8. 8 kernel3 = np.ones((30,30),np.uint8)
9. 9 opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel3) #使用开运算
10. 10 closeing = cv2.MORPH_OPEN(img,cv2.MORPH_CLOSE,kernel3) #使用闭运算
11. 11 res = np.hstack((opening,closeing))
12. 12 Cv_Show('morphologyEx Picture', res)

复制代码

4 梯度运算

1. 1 #梯度运算
2. 2 #梯度 = 膨胀 - 腐蚀
3. 3 #梯度运算是为了得到边界变化的信息
4. 4 gradient = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel3)
5. 5 Cv_Show('Gradient Picture', gradient)

复制代码

5 礼帽与黑帽

1. 1 #礼帽和黑帽
2. 2 #礼帽 = 原始输入 - 开运算结果 从理论上来说，一个带毛刺的图片优化后没有毛刺 - 原始有毛刺的图，那结果是毛刺
3. 3 #黑帽 = 闭运算 - 原始输入 同样，因为先对毛刺先膨胀后腐蚀，所以有些毛刺可能没腐蚀掉，减去原始后，结果是那些没腐蚀掉的毛刺的边缘
4. 4 topHat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel3)
5. 5 blackHat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel3)
6. 6 res = np.hstack((topHat,blackHat))
7. 7 Cv_Show('TopHat vs BlackHat Picture', res)

复制代码

 

来源:https://www.cnblogs.com/mingrufeng/p/17342105.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！