h5case什么网站,各种资源都有的搜索引擎,discuz网站搬家,建筑工程电影网文章目录 前言一、图像形态学基础1.1 背景介绍1.2 像素距离1.2.1 什么是像素距离#xff1f;1.2.2 常见的像素距离度量方法1.2.3 计算像素距离的代码实现 1.3 图像连通性1.3.1 什么是图像连通性#xff1f;1.3.2 连通类型1.3.3 连通组件标记1.3.4 连通性在图像处理中的应用 1… 文章目录 前言一、图像形态学基础1.1 背景介绍1.2 像素距离1.2.1 什么是像素距离1.2.2 常见的像素距离度量方法1.2.3 计算像素距离的代码实现 1.3 图像连通性1.3.1 什么是图像连通性1.3.2 连通类型1.3.3 连通组件标记1.3.4 连通性在图像处理中的应用 1.4 结构元素1.4.1 什么是结构元素1.4.2 结构元素的类型1.4.2.1 矩形结构元素1.4.2.2 圆形结构元素1.4.2.3 十字形结构元素1.4.2.4 自定义结构元素 二、膨胀与腐蚀2.1 膨胀操作2.1.1 膨胀操作的原理2.1.2 膨胀操作的应用2.1.3 膨胀操作的代码示例 2.2 腐蚀操作2.2.1腐蚀操作的原理2.2.2腐蚀操作的应用2.2.3腐蚀操作的代码示例 三、开运算与闭运算3.1 开运算3.1.1 开运算的应用3.1.2 开运算的代码示例 3.2 闭运算3.2.1 闭运算的应用3.2.2 闭运算的代码示例 四、黑帽运算与礼帽运算4.1 黑帽运算4.1.1 黑帽运算的应用4.1.2 黑帽运算的代码示例 4.2 礼帽运算4.2.1 礼帽运算的应用4.2.2 礼帽运算的代码示例 五、击中与击不中5.1 击中运算5.2 击不中运算5.3 击中与击不中运算的应用5.4 击中与击不中的代码示例 六、细化与粗化6.1 细化操作6.2 粗化操作6.3 细化与粗化操作的应用6.4 细化与粗化的代码示例 总结 前言
图像形态学是一门强大而有趣的技术它通过对图像进行形态学操作使图像更适合后续处理步骤。在本文中我们将深入探讨OpenCV中的图像形态学操作快速入门这一关键领域。 一、图像形态学基础
1.1 背景介绍
图像形态学作为数字图像处理的一个分支致力于通过形态学操作实现对图像特征的提取、噪音的去除以及目标的分割。这一领域的研究为计算机视觉、图像识别和医学图像处理等领域提供了强大的工具和方法。
1.2 像素距离
在图像处理中像素距离是一项关键的概念它涉及到图像中像素点之间的空间关系。理解像素距离对于各种图像分析任务非常重要。
1.2.1 什么是像素距离
像素距离是指图像中两个像素点之间的距离或度量。这一概念在许多图像处理任务中都有广泛的应用例如目标的距离测量、轮廓分析等。
1.2.2 常见的像素距离度量方法
请参考机器学习中常见的距离公式和相似度计算方法简介中的常见的距离公式相关内容
1.2.3 计算像素距离的代码实现
在OpenCV中计算像素距离通常使用 cv2.distanceTransform 函数。这个函数可以计算图像中每个像素点到最近的零值像素的距离。
import cv2
import numpy as np# 生成简单的二值化图像
image np.zeros((300, 300), dtypenp.uint8)150
cv2.rectangle(image, (50, 50), (250, 250), 0, -1)
cv2.circle(image, (200, 200), 50, 255, -1)margin np.zeros((300, 10), dtypenp.uint8)
# 计算像素距离
distance_transform cv2.distanceTransform(image, cv2.DIST_L2, 3)
distance_transform cv2.normalize(distance_transform, None, 255,0, cv2.NORM_MINMAX, cv2.CV_8UC1)# 显示像素距离图像
cv2.imshow(Distance Transform, cv2.hconcat([image, margin, distance_transform]))
cv2.waitKey(0)
cv2.destroyAllWindows()通过这样的计算我们可以获得图像中每个像素点到最近的零值像素的距离并在图像上进行可视化展示。
在图像处理中像素距离是一项重要的概念它为我们提供了衡量图像空间关系的有效工具。OpenCV中的 cv2.distanceTransform 函数使得计算像素距离变得简单而高效。在实际应用中了解并熟练使用像素距离的概念将有助于更好地理解和处理图像为后续的图像形态学操作打下基础。
1.3 图像连通性
在图像处理中图像连通性是一个关键概念它描述了图像中像素点之间的连接关系。理解图像的连通性有助于分析和处理图像中的目标、区域及其结构。本节将深入讨论图像连通性的概念以及在OpenCV中的应用。
1.3.1 什么是图像连通性
图像连通性是指图像中像素点之间的连接关系或连通关系。当两个像素点通过相邻的水平、垂直或对角线位置相连时它们被认为是连通的。连通性的概念对于分析图像中的物体、区域或对象之间的连接关系至关重要。
1.3.2 连通类型
图像连通性可以根据连接像素点的方式分为不同类型常见的包括 4连通 像素点通过水平和垂直方向相邻时被视为连通。 8连通 像素点通过水平、垂直和对角线方向相邻时被视为连通。 D连通 一种介于4连通和8连通之间的连通类型通常指像素点通过水平、垂直和对角线方向的一部分相邻时被视为连通。 在实际应用中选择适当的连通类型取决于图像中目标的形状和特性。
1.3.3 连通组件标记
在图像处理中常常需要标记和识别图像中的不同连通组件即图像中连通的区域。这个过程被称为连通组件标记。OpenCV提供了相关函数来执行这一任务如 cv2.connectedComponents。
import cv2
import numpy as np# 生成简单的二值化图像
image np.zeros((300, 300), dtypenp.uint8)150
cv2.rectangle(image, (50, 50), (150, 150), 255, -1)
cv2.rectangle(image, (50, 50), (250, 250), 0, -1)
cv2.circle(image, (150, 150), 50, 255, -1)# 连通组件标记
num_labels, labels cv2.connectedComponents(image)# 共享的参数
shared_params {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 2,color: 255,lineType: cv2.LINE_AA,
}
shared_params2 {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 10,color: 0,lineType: cv2.LINE_AA,
}
# 添加文字
cv2.putText(image, Original Image,**shared_params)connected_image cv2.hconcat([image])
for label in range(0, num_labels):component np.zeros_like(image)component[labels label] 255cv2.putText(component, fComponent {label1}, **shared_params2)cv2.putText(component, fComponent {label1}, **shared_params)connected_image cv2.hconcat([connected_image,component])cv2.imshow(Connected Components, connected_image)
cv2.waitKey(0)
cv2.destroyAllWindows()在这个例子中我们生成了一个简单的二值化图像并使用 cv2.connectedComponents 对图像进行连通组件标记。通过遍历标记结果我们可以分别显示不同的连通组件以便更好地理解图像中的连通性。
一些场景中需要实现图像的连通性检测并在原图中用框线标出我们可以使用OpenCV的cv2.connectedComponentsWithStats来获取图像中的连通组件。然后遍历每个连通组件获取其边界框信息并在原图中用绿色矩形标出。
import cv2
import numpy as np
import random# 创建一个空白的图像
width, height 500, 500
image np.zeros((height, width, 3), dtypenp.uint8)# 定义绘制椭圆的函数
def draw_random_ellipse(img):# 生成随机椭圆的参数center (random.randint(0, width-1), random.randint(0, height-1))axes (random.randint(10, 100), random.randint(10, 100))angle random.randint(0, 360)color (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))# 绘制椭圆cv2.ellipse(img, center, axes, angle, 0, 360, color, -1)# 定义检查椭圆是否重叠的函数
def check_overlap(new_ellipse, existing_ellipses):for existing_ellipse in existing_ellipses:# 获取椭圆的掩码new_mask np.zeros_like(image, dtypenp.uint8)existing_mask np.zeros_like(image, dtypenp.uint8)cv2.ellipse(new_mask, new_ellipse[0], new_ellipse[1], new_ellipse[2], 0, 360, (255, 255, 255), -1)cv2.ellipse(existing_mask, existing_ellipse[0], existing_ellipse[1], existing_ellipse[2], 0, 360, (255, 255, 255), -1)# 检查是否有重叠的部分overlap cv2.bitwise_and(new_mask, existing_mask)if np.sum(overlap) 0:return Truereturn False# 生成不重叠的椭圆
num_ellipses 10
ellipses []
for _ in range(num_ellipses):while True:new_ellipse ((random.randint(0, width-1), random.randint(0, height-1)),(random.randint(10, 100), random.randint(10, 100)),random.randint(0, 360),(random.randint(0, 255), random.randint(0, 255), random.randint(0, 255)))if not check_overlap(new_ellipse, ellipses):ellipses.append(new_ellipse)break# 绘制不重叠的椭圆
for ellipse in ellipses:cv2.ellipse(image, ellipse[0], ellipse[1], ellipse[2], 0, 360, ellipse[3], -1)# 将图像转换为灰度
gray_image cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 进行连通组件标记
_, labels, stats, centroids cv2.connectedComponentsWithStats(gray_image)# 获取连通组件的数量排除背景
num_labels len(stats) - 1# 遍历每个连通组件并在原图中用矩形标出
for i in range(1, num_labels 1):x, y, w, h, _ stats[i]cv2.rectangle(image, (x, y), (x w, y h), (0, 255, 0), 2)# 显示图像
cv2.imshow(Connected Components, image)
cv2.waitKey(0)
cv2.destroyAllWindows()一些运行效果图 1.3.4 连通性在图像处理中的应用 对象计数 通过连通性分析可以对图像中的对象进行计数例如图像中的颗粒或细胞。 区域分割 连通性信息有助于对图像进行区域分割使得图像中的不同部分能够被准确地提取和分析。 目标识别 在计算机视觉领域通过连通性可以识别和跟踪图像中的目标如人脸、车辆等。 图像连通性是图像处理中的一个基础而重要的概念它为我们提供了理解和分析图像结构的有效工具。在OpenCV中相关函数的支持使得连通性的计算变得更加便捷。通过深入理解图像连通性我们能够更好地处理图像数据为后续的图像分析和处理工作打下坚实的基础。
1.4 结构元素
在图像形态学操作中结构元素是一种关键的概念它为执行膨胀、腐蚀等操作提供了模板。本节将深入探讨结构元素的概念以及不同类型的结构元素在OpenCV中的应用。
1.4.1 什么是结构元素
结构元素是一种小的、可以在图像上滑动的模板用于定义形态学操作的形状和大小。它是膨胀、腐蚀、开运算和闭运算等操作的基础。
1.4.2 结构元素的类型
在OpenCV中常见的结构元素有三种类型矩形结构元素、圆形结构元素和十字形结构元素。
1.4.2.1 矩形结构元素
矩形结构元素是一种基本的结构元素其形状为矩形。在图像处理中矩形结构元素通常用于执行基本的膨胀和腐蚀操作。它的定义可以通过OpenCV的 cv2.getStructuringElement 函数实现
import cv2
# 定义矩形结构元素
rectangle_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 打印矩形结构元素
print(rectangle_kernel)运行结果
[[1 1 1 1 1][1 1 1 1 1][1 1 1 1 1][1 1 1 1 1][1 1 1 1 1]]1.4.2.2 圆形结构元素
圆形结构元素的形状为圆形适用于处理需要考虑像素点周围更广泛范围的情况。同样通过 cv2.getStructuringElement 函数可以轻松地创建圆形结构元素
import cv2
# 定义圆形结构元素
circle_kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
# 打印圆形结构元
print(circle_kernel)[[0 0 1 0 0][1 1 1 1 1][1 1 1 1 1][1 1 1 1 1][0 0 1 0 0]]1.4.2.3 十字形结构元素
十字形结构元素是一种与十字交叉形状相似的结构元素适用于强调对角方向的形态学操作。创建十字形结构元素的方法如下
import cv2
# 定义十字形结构元素
cross_kernel cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))
# 打印十字形结构元素
print(cross_kernel)[[0 0 1 0 0][0 0 1 0 0][1 1 1 1 1][0 0 1 0 0][0 0 1 0 0]]1.4.2.4 自定义结构元素
有时我们可能需要根据具体任务定义自己的结构元素例如使用特定的形状或大小。可以直接创建一个NumPy数组作为自定义的结构元素然后传递给形态学操作的函数
import cv2
import numpy as np# 定义自定义结构元素
custom_kernel np.array([[0, 1, 0],[1, 1, 1],[0, 1, 0]], dtypenp.uint8)# 显示自定义结构元素
cv2.imshow(Custom Kernel, custom_kernel * 255)
cv2.waitKey(0)
cv2.destroyAllWindows()二、膨胀与腐蚀
在图像处理中膨胀与腐蚀是两种常用的图像形态学操作它们分别用于扩大和减小图像中物体的区域是图像处理中不可或缺的基础操作。
2.1 膨胀操作
膨胀是一种通过增加图像中物体的像素点来扩大物体的面积的操作。膨胀操作的核心思想是使用一个结构元素通常是矩形、圆形或十字形在图像上滑动将结构元素的中心与图像中的像素匹配。如果结构元素的中心与图像中的像素点匹配那么就将结构元素覆盖的区域置为白色255。
2.1.1 膨胀操作的原理
膨胀操作的数学表达可以用以下形式表示 ( A ⊕ B ) ( x , y ) ⋃ ( i , j ) ∈ B A ( x i , y j ) (A \oplus B)(x, y) \bigcup_{(i, j) \in B} A(xi, yj) (A⊕B)(x,y)(i,j)∈B⋃A(xi,yj)
其中 A A A 是输入图像 B B B 是结构元素 ( A ⊕ B ) ( x , y ) (A \oplus B)(x, y) (A⊕B)(x,y) 表示在图像 A A A 上对结构元素 B B B 进行膨胀操作的结果。在膨胀操作中对于结构元素 B B B 中的每一个元素 ( i , j ) (i, j) (i,j)将图像 A A A 中与之对应的像素置为白色。最终的膨胀结果即为所有置为白色的像素的并集。
2.1.2 膨胀操作的应用
膨胀操作在图像处理中有多种应用场景 连接物体 将相邻的物体像素连接在一起形成更大的物体。 填充小洞 用于填充图像中小的空洞使物体更加完整。 增加物体面积 通过扩展物体的边界增加物体的面积。 2.1.3 膨胀操作的代码示例
在OpenCV中可以使用 cv2.dilate 函数进行膨胀操作。以下是一个简单的Python代码示例 random_ellipse1.jpg
import cv2
import numpy as np# 读取图像
image cv2.imread(random_ellipse1.jpg)
# 定义矩形结构元素
rectangle_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 膨胀操作
dilated_image cv2.dilate(image, rectangle_kernel, iterations1)# 图像连通性
def draw_connected_image(src_img):# 将图像转换为灰度gray_image cv2.cvtColor(src_img, cv2.COLOR_BGR2GRAY)# 二值化threshold_value 20_, binary_image cv2.threshold(gray_image, threshold_value, 255, cv2.THRESH_BINARY)# 进行连通组件标记_, labels, stats, centroids cv2.connectedComponentsWithStats(binary_image)# 获取连通组件的数量排除背景num_labels len(stats) - 1# 遍历每个连通组件并在原图中用矩形标出for i in range(1, num_labels 1):x, y, w, h, _ stats[i]cv2.rectangle(src_img, (x, y), (x w, y h), (0, 255, 0), 2)return src_img# 共享的参数
shared_params {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 2,color: (0, 255, 0),lineType: cv2.LINE_AA,
}
# 增加黑框
shared_params2 {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 10,color: (0, 0, 0),lineType: cv2.LINE_AA,
}
# 添加文字
image_txt cv2.putText(image.copy(), Original Image, **shared_params2)
image_txt cv2.putText(image_txt, Original Image, **shared_params)
dilated_image_txt cv2.putText(dilated_image.copy(), Dilated Image, **shared_params2)
dilated_image_txt cv2.putText(dilated_image_txt, Dilated Image, **shared_params)# 显示原始图像和膨胀结果
cv2.imshow(Dilated Image, cv2.vconcat([cv2.hconcat([image_txt, draw_connected_image(image.copy())]),np.zeros((10, image.shape[1] * 2, 3), dtypenp.uint8) 255,cv2.hconcat([dilated_image_txt, draw_connected_image(dilated_image.copy())])
]))
cv2.waitKey(0)
cv2.destroyAllWindows()我们可以看到经过膨胀操作之后有两处原本不相连的椭圆变为相连的情况。
2.2 腐蚀操作
与膨胀相反腐蚀是一种通过减少物体的像素点来减小物体的面积的操作。腐蚀操作同样使用一个结构元素当结构元素的中心与图像中的像素匹配时仅当结构元素的所有像素都与图像中的像素匹配时才将中心像素置为白色255否则置为黑色0。
2.2.1腐蚀操作的原理
腐蚀操作的数学表达可以用以下形式表示 ( A ⊖ B ) ( x , y ) ⋂ ( i , j ) ∈ B A ( x i , y j ) (A \ominus B)(x, y) \bigcap_{(i, j) \in B} A(xi, yj) (A⊖B)(x,y)(i,j)∈B⋂A(xi,yj)
其中 A A A 是输入图像 B B B 是结构元素 ( A ⊖ B ) ( x , y ) (A \ominus B)(x, y) (A⊖B)(x,y) 表示在图像 A A A 上对结构元素 B B B 进行腐蚀操作的结果。在腐蚀操作中对于结构元素 B B B 中的每一个元素 ( i , j ) (i, j) (i,j)将图像 A A A 中与之对应的像素与结构元素的对应像素进行比较。如果结构元素覆盖的区域内所有像素都为白色那么中心像素置为白色否则置为黑色。最终的腐蚀结果即为所有中心像素为白色的区域的交集。
2.2.2腐蚀操作的应用
腐蚀操作在图像处理中有多种应用场景 去除小物体 用于去除图像中较小的物体或细小的细节。 平滑物体边界 通过减小物体的边界使其更加平滑。 分离连接的物体 将相连的物体分离开使其更容易识别和分析。 2.2.3腐蚀操作的代码示例
在OpenCV中可以使用 cv2.erode 函数进行腐蚀操作。以下是一个简单的Python代码示例 random_ellipse2.jpg
import cv2
import numpy as np# 读取图像
image cv2.imread(random_ellipse2.jpg)
# 定义矩形结构元素
rectangle_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 腐蚀操作
eroded_image cv2.erode(image, rectangle_kernel, iterations1)# 图像连通性
def draw_connected_image(src_img):# 将图像转换为灰度gray_image cv2.cvtColor(src_img, cv2.COLOR_BGR2GRAY)# 二值化threshold_value 20_, binary_image cv2.threshold(gray_image, threshold_value, 255, cv2.THRESH_BINARY)# 进行连通组件标记_, labels, stats, centroids cv2.connectedComponentsWithStats(binary_image)# 获取连通组件的数量排除背景num_labels len(stats) - 1# 遍历每个连通组件并在原图中用矩形标出for i in range(1, num_labels 1):x, y, w, h, _ stats[i]cv2.rectangle(src_img, (x, y), (x w, y h), (0, 255, 0), 2)return src_img# 共享的参数
shared_params {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 2,color: (0, 255, 0),lineType: cv2.LINE_AA,
}
# 增加黑框
shared_params2 {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 10,color: (0, 0, 0),lineType: cv2.LINE_AA,
}
# 添加文字
image_txt cv2.putText(image.copy(), Original Image, **shared_params2)
image_txt cv2.putText(image_txt, Original Image, **shared_params)
eroded_image_txt cv2.putText(eroded_image.copy(), Eroded Image, **shared_params2)
eroded_image_txt cv2.putText(eroded_image_txt, Eroded Image, **shared_params)# 显示原始图像和腐蚀结果
cv2.imshow(Eroded Image, cv2.vconcat([cv2.hconcat([image_txt, draw_connected_image(image.copy())]),np.zeros((10, image.shape[1] * 2, 3), dtypenp.uint8) 255,cv2.hconcat([eroded_image_txt, draw_connected_image(eroded_image.copy())])
]))
cv2.waitKey(0)
cv2.destroyAllWindows()我们可以看到有一处原本相连的椭圆经过腐蚀操作后变为了不相连的两个椭圆。
三、开运算与闭运算
3.1 开运算
开运算原理是先对图像进行腐蚀操作然后再对腐蚀结果进行膨胀操作。开运算通常用于去除图像中的小噪点、平滑物体边界并保留物体的整体形状。在数学表达上开运算可以表示为 Opening ( A ) ( A ⊖ B ) ⊕ B \text{Opening}(A) (A \ominus B) \oplus B Opening(A)(A⊖B)⊕B
其中 A A A 是输入图像 B B B 是结构元素 ⊖ \ominus ⊖ 表示腐蚀操作 ⊕ \oplus ⊕ 表示膨胀操作 Opening ( A ) \text{Opening}(A) Opening(A) 表示对图像 A A A 进行开运算的结果。
3.1.1 开运算的应用
开运算主要应用于以下场景 去除小噪点 通过先腐蚀操作可以去除图像中小于结构元素的噪点。 平滑物体边界 腐蚀操作会使物体边界向内收缩而膨胀操作会使其向外扩张从而平滑物体的边界。 保留整体形状 开运算可以保留物体的整体形状有助于提取物体的主要结构。 3.1.2 开运算的代码示例
在OpenCV中可以使用 cv2.morphologyEx 函数进行开运算。以下是一个简单的Python代码示例
import cv2
import numpy as np# 生成一个黑色背景的图像
image_size (300, 300)
image np.zeros(image_size, dtypenp.uint8)# 在图像中添加一些形状
cv2.circle(image, (50, 50), 20, 255, -1)
cv2.circle(image, (150, 150), 30, 255, -1)
cv2.rectangle(image, (200, 100), (250, 200), 255, -1)
cv2.ellipse(image, (100, 200), (40, 20), 30, 0, 360, 255, -1)
# 绘制白色椭圆弧
cv2.ellipse(image, (210, 210), (100, 50), 0, 180, 270, 255, 2)# 定义矩形结构元素
rectangle_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 开运算操作
opening_result cv2.morphologyEx(image, cv2.MORPH_OPEN, rectangle_kernel)# 图像连通性
def draw_connected_image(src_img):# 二值化threshold_value 20_, binary_image cv2.threshold(src_img, threshold_value, 255, cv2.THRESH_BINARY)# 进行连通组件标记_, labels, stats, centroids cv2.connectedComponentsWithStats(binary_image)# 获取连通组件的数量排除背景num_labels len(stats) - 1# 遍历每个连通组件并在原图中用矩形标出for i in range(1, num_labels 1):x, y, w, h, _ stats[i]cv2.rectangle(src_img, (x, y), (x w, y h), 127, 2)return src_img# 共享的参数
shared_params {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 2,color: 255,lineType: cv2.LINE_AA,
}
# 增加黑框
shared_params2 {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 10,color: 0,lineType: cv2.LINE_AA,
}
# 添加文字
image_txt cv2.putText(image.copy(), Original Image, **shared_params2)
image_txt cv2.putText(image_txt, Original Image, **shared_params)
opening_result_txt cv2.putText(opening_result.copy(), Opening Result, **shared_params2)
opening_result_txt cv2.putText(opening_result_txt, Opening Result, **shared_params)# 显示原始图像和开运算结果
cv2.imshow(Opening Result, cv2.vconcat([cv2.hconcat([image_txt, draw_connected_image(image.copy())]),np.zeros((10, image.shape[1] * 2), dtypenp.uint8) 255,cv2.hconcat([opening_result_txt, draw_connected_image(opening_result.copy())])
]))
cv2.waitKey(0)
cv2.destroyAllWindows()通过理解开运算的原理和应用我们可以更好地利用这一操作来去除图像中的噪点、平滑物体边界从而为后续的图像分析和处理提供更清晰、更准确的数据。在实际应用中可以根据具体情况选择不同的结构元素和迭代次数以达到最佳的开运算效果。
3.2 闭运算
闭运算原理是先对图像进行膨胀操作然后再对膨胀结果进行腐蚀操作。闭运算通常用于连接物体间的小孔、填充小的间隙并保持物体的整体形状。在数学表达上闭运算可以表示为 Closing ( A ) ( A ⊕ B ) ⊖ B \text{Closing}(A) (A \oplus B) \ominus B Closing(A)(A⊕B)⊖B
其中 A A A 是输入图像 B B B 是结构元素 ⊕ \oplus ⊕ 表示膨胀操作 ⊖ \ominus ⊖ 表示腐蚀操作 Closing ( A ) \text{Closing}(A) Closing(A) 表示对图像 A A A 进行闭运算的结果。
3.2.1 闭运算的应用
闭运算主要应用于以下场景 连接物体间的小孔 通过先膨胀操作可以连接物体之间的小孔使其更加连续。 填充小的间隙 膨胀操作会使物体边界向外扩张腐蚀操作会使其向内收缩从而填充物体间的小间隙。 保持整体形状 闭运算可以保持物体的整体形状有助于提取物体的主要结构。 3.2.2 闭运算的代码示例
在OpenCV中可以使用 cv2.morphologyEx 函数进行闭运算。以下是一个简单的Python代码示例
import cv2
import numpy as np# 生成一个黑色背景的图像
image_size (300, 300)
image np.zeros(image_size, dtypenp.uint8)# 在图像中添加一些形状
cv2.circle(image, (50, 50), 20, 255, -1)
cv2.circle(image, (150, 150), 30, 255, -1)
cv2.rectangle(image, (200, 100), (250, 200), 255, -1)
cv2.ellipse(image, (100, 200), (40, 20), 30, 0, 360, 255, -1)
# 绘制白色椭圆弧
cv2.ellipse(image, (223, 223), (100, 50), 0, 210, 253, 255, 2)# 定义矩形结构元素
rectangle_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 闭运算操作
closing_result cv2.morphologyEx(image, cv2.MORPH_CLOSE, rectangle_kernel)# 图像连通性
def draw_connected_image(src_img):# 二值化threshold_value 20_, binary_image cv2.threshold(src_img, threshold_value, 255, cv2.THRESH_BINARY)# 进行连通组件标记_, labels, stats, centroids cv2.connectedComponentsWithStats(binary_image)# 获取连通组件的数量排除背景num_labels len(stats) - 1# 遍历每个连通组件并在原图中用矩形标出for i in range(1, num_labels 1):x, y, w, h, _ stats[i]cv2.rectangle(src_img, (x, y), (x w, y h), 127, 2)return src_img# 共享的参数
shared_params {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 2,color: 255,lineType: cv2.LINE_AA,
}
# 增加黑框
shared_params2 {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 10,color: 0,lineType: cv2.LINE_AA,
}
# 添加文字
image_txt cv2.putText(image.copy(), Original Image, **shared_params2)
image_txt cv2.putText(image_txt, Original Image, **shared_params)
closing_result_txt cv2.putText(closing_result.copy(), Closing Result, **shared_params2)
closing_result_txt cv2.putText(closing_result_txt, Closing Result, **shared_params)# 显示原始图像和闭运算结果
cv2.imshow(Closing Result, cv2.vconcat([cv2.hconcat([image_txt, draw_connected_image(image.copy())]),np.zeros((10, image.shape[1] * 2), dtypenp.uint8) 255,cv2.hconcat([closing_result_txt, draw_connected_image(closing_result.copy())])
]))
cv2.waitKey(0)
cv2.destroyAllWindows()通过理解闭运算的原理和应用我们可以更好地利用这一操作来连接物体间的小孔、填充小的间隙从而使图像更加连续、完整。在实际应用中可以根据具体情况选择不同的结构元素和迭代次数以达到最佳的闭运算效果。
四、黑帽运算与礼帽运算
4.1 黑帽运算
黑帽运算原理是先对图像进行闭运算然后将闭运算的结果与原始图像相减。黑帽运算主要用于强调图像中的小细节、小物体或者图像中的局部区域。在数学表达上黑帽运算可以表示为 BlackHat ( A ) A − ( A ⊕ B ) \text{BlackHat}(A) A - (A \oplus B) BlackHat(A)A−(A⊕B)
其中 A A A 是输入图像 B B B 是结构元素 ⊕ \oplus ⊕ 表示膨胀操作。黑帽运算的结果即为原始图像减去闭运算的结果。
4.1.1 黑帽运算的应用
黑帽运算主要应用于以下场景 强调小细节 通过突出图像中的小细节使其更加突出。 增强小物体 用于增强图像中的小物体使其更容易被检测和识别。 局部区域处理 对图像中的局部区域进行强调有助于分析局部特征。 4.1.2 黑帽运算的代码示例
以下是一个简单的Python代码示例
import cv2
import numpy as np# 生成一个黑色背景的图像
image_size (300, 300)
image np.zeros(image_size, dtypenp.uint8)# 在图像中添加一些形状
cv2.circle(image, (50, 50), 20, 255, -1)
cv2.circle(image, (150, 150), 30, 255, -1)
cv2.rectangle(image, (200, 100), (250, 200), 255, -1)
cv2.ellipse(image, (100, 200), (40, 20), 30, 0, 360, 255, -1)
# 绘制白色椭圆弧
cv2.ellipse(image, (223, 223), (100, 50), 0, 210, 253, 255, 2)# 定义矩形结构元素
rectangle_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 黑帽运算
blackhat_result cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, rectangle_kernel)# 共享的参数
shared_params {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 2,color: 255,lineType: cv2.LINE_AA,
}
# 增加黑框
shared_params2 {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 10,color: 0,lineType: cv2.LINE_AA,
}
# 添加文字
image_txt cv2.putText(image.copy(), Original Image, **shared_params2)
image_txt cv2.putText(image_txt, Original Image, **shared_params)
blackhat_result_txt cv2.putText(blackhat_result.copy(), BlackHat Result, **shared_params2)
blackhat_result_txt cv2.putText(blackhat_result_txt, BlackHat Result, **shared_params)# 显示原始图像和黑帽运算结果
cv2.imshow(BlackHat Result, cv2.hconcat([image_txt,np.zeros((image.shape[0], 10), dtypenp.uint8) 255,blackhat_result_txt]))
cv2.waitKey(0)
cv2.destroyAllWindows()4.2 礼帽运算
礼帽运算原理是先对图像进行开运算然后将开运算的结果与原始图像相减。礼帽运算主要用于强调图像中的大细节、大物体或者图像中的全局区域。在数学表达上礼帽运算可以表示为 TopHat ( A ) ( A ⊕ B ) − A \text{TopHat}(A) (A \oplus B) - A TopHat(A)(A⊕B)−A
其中 A A A 是输入图像 B B B 是结构元素 ⊕ \oplus ⊕ 表示膨胀操作。礼帽运算的结果即为开运算的结果减去原始图像。
4.2.1 礼帽运算的应用
礼帽运算主要应用于以下场景 强调大细节 通过突出图像中的大细节使其更加显著。 增强大物体 用于增强图像中的大物体使其更容易被检测和识别。 全局区域处理 对图像中的全局区域进行强调有助于分析整体特征。 4.2.2 礼帽运算的代码示例
以下是一个简单的Python代码示例
import cv2
import numpy as np# 生成一个黑色背景的图像
image_size (300, 300)
image np.zeros(image_size, dtypenp.uint8)# 在图像中添加一些形状
cv2.circle(image, (50, 50), 20, 255, -1)
cv2.circle(image, (150, 150), 30, 255, -1)
cv2.rectangle(image, (200, 100), (250, 200), 255, -1)
cv2.ellipse(image, (100, 200), (40, 20), 30, 0, 360, 255, -1)
# 绘制白色椭圆弧
cv2.ellipse(image, (223, 223), (100, 50), 0, 210, 253, 255, 2)# 定义矩形结构元素
rectangle_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 礼帽运算
tophat_result cv2.morphologyEx(image, cv2.MORPH_TOPHAT, rectangle_kernel)# 共享的参数
shared_params {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 2,color: 255,lineType: cv2.LINE_AA,
}
# 增加黑框
shared_params2 {org: (10, 30),fontFace: cv2.FONT_HERSHEY_SIMPLEX,fontScale: 1,thickness: 10,color: 0,lineType: cv2.LINE_AA,
}
# 添加文字
image_txt cv2.putText(image.copy(), Original Image, **shared_params2)
image_txt cv2.putText(image_txt, Original Image, **shared_params)
tophat_result_txt cv2.putText(tophat_result.copy(), TopHat Result, **shared_params2)
tophat_result_txt cv2.putText(tophat_result_txt, TopHat Result, **shared_params)# 显示原始图像和礼帽运算结果
cv2.imshow(TopHat Result, cv2.hconcat([image_txt,np.zeros((image.shape[0], 10), dtypenp.uint8) 255,tophat_result_txt]))
cv2.waitKey(0)
cv2.destroyAllWindows()通过理解黑帽运算和礼帽运算的原理和应用我们可以更好地运用这两种操作来强调图像中的细节实现更有针对性的图像处理效果。在实际应用中可以根据具体情况选择不同的结构元素和运算类型以达到最佳的效果。
五、击中与击不中
5.1 击中运算
击中运算用于检测图像中与给定模板相匹配的区域。在击中运算中模板结构元素被应用于输入图像只有当模板的所有像素与图像中对应位置的像素匹配时才将中心像素置为白色255否则置为黑色0。数学表达上击中运算可以表示为 ( A ⊙ B ) ( x , y ) { 255 if A ( x i , y j ) B ( i , j ) for all ( i , j ) ∈ B 0 otherwise (A \odot B)(x, y) \begin{cases} 255 \text{if } A(xi, yj) B(i, j) \text{ for all } (i, j) \in B \\ 0 \text{otherwise} \end{cases} (A⊙B)(x,y){2550if A(xi,yj)B(i,j) for all (i,j)∈Botherwise
其中 A A A 是输入图像 B B B 是结构元素 ( A ⊙ B ) ( x , y ) (A \odot B)(x, y) (A⊙B)(x,y) 表示在图像 A A A 上对结构元素 B B B 进行击中运算的结果。
5.2 击不中运算
击不中运算是击中运算的补操作用于检测图像中与给定模板不匹配的区域。在击不中运算中模板结构元素被应用于输入图像只有当模板的所有像素与图像中对应位置的像素不匹配时才将中心像素置为白色255否则置为黑色0。数学表达上击不中运算可以表示为 ( A ⊘ B ) ( x , y ) { 255 if A ( x i , y j ) ≠ B ( i , j ) for all ( i , j ) ∈ B 0 otherwise (A \oslash B)(x, y) \begin{cases} 255 \text{if } A(xi, yj) \neq B(i, j) \text{ for all } (i, j) \in B \\ 0 \text{otherwise} \end{cases} (A⊘B)(x,y){2550if A(xi,yj)B(i,j) for all (i,j)∈Botherwise
其中 A A A 是输入图像 B B B 是结构元素 ( A ⊘ B ) ( x , y ) (A \oslash B)(x, y) (A⊘B)(x,y) 表示在图像 A A A 上对结构元素 B B B 进行击不中运算的结果。
5.3 击中与击不中运算的应用 目标检测 击中运算可用于检测图像中是否存在特定形状的目标。 形态学骨架提取 击中运算与击不中运算在形态学骨架提取中有广泛应用。 图像分割 运算可用于分割图像中的不同区域。 5.4 击中与击不中的代码示例
在OpenCV中可以使用 cv2.morphologyEx 函数进行击中与击不中运算。以下是一个简单的Python代码示例
import cv2
import numpy as np# 生成一个黑色背景的图像
image_size (300, 300)
image np.zeros(image_size, dtypenp.uint8)# 在图像中添加一些形状
cv2.circle(image, (50, 50), 20, 255, -1)
cv2.circle(image, (150, 150), 30, 255, -1)
cv2.rectangle(image, (200, 100), (250, 200), 255, -1)
cv2.ellipse(image, (100, 200), (40, 20), 30, 0, 360, 255, -1)
# 绘制白色椭圆弧
cv2.ellipse(image, (223, 223), (100, 50), 0, 210, 253, 255, 2)
# 盐噪声
pepper_noise np.random.rand(*image.shape) 0.5
image[pepper_noise] 0# 定义结构元素内核
kernel np.array([[1, 0, 1],[0, -1, 0],[1, 0, 1]], dtypenp.int8)# 击中运算
hitmiss_hit_result cv2.morphologyEx(image.copy(), cv2.MORPH_HITMISS, kernel)# 击不中运算
hitmiss_miss_result cv2.morphologyEx(image, cv2.MORPH_HITMISS, cv2.bitwise_not(kernel))# 显示原始图像、击中运算结果和击不中运算结果
cv2.imshow(Hit and Miss Result, cv2.hconcat([image, hitmiss_hit_result, hitmiss_miss_result]))
cv2.waitKey(0)
cv2.destroyAllWindows()在形态学操作中结构元素是一个小的二进制矩阵或核它定义了要在图像上应用的操作的形状。结构元素中的元素值通常是0和1其中1表示结构元素的一部分0表示不是结构元素的一部分。负数通常用于表示不考虑的区域。
在形态学击中和击不中操作中结构元素是由1、0和-1组成的。具体含义如下 1表示目标的一部分白色区域。0表示不考虑的区域。-1表示背景的一部分黑色区域。 在先前的代码示例中kernel_hit和kernel_miss中的1、0和-1的分布被设计为符合形态学击中和击不中的操作。这是为了确保在目标被击中时kernel_hit结构元素的白色部分与目标的白色部分重合而在目标未被击中时kernel_miss结构元素的白色部分与目标的黑色背景部分重合。
这种表示方式可以根据具体的问题和需求进行调整以确保形态学操作能够正确地捕捉目标的特定形状。
六、细化与粗化
6.1 细化操作
细化是一种形态学操作用于减小二值图像中物体的宽度使其更接近于图像中的中轴线。细化操作通过迭代地击中运算和击不中运算逐渐减小物体的宽度。细化的数学表达可以表示为 ( A ⊗ B ) A − ( A ⊙ B ) (A \otimes B) A - (A \odot B) (A⊗B)A−(A⊙B)
其中 A A A 是输入图像 B B B 是结构元素 ⊗ \otimes ⊗ 表示细化操作 ⊙ \odot ⊙ 表示击中运算。细化操作的结果即为原始图像减去击中运算的结果。
6.2 粗化操作
粗化是细化操作的补操作用于增加二值图像中物体的宽度使其更接近于图像中的中轴线。粗化操作通过迭代地击中运算和击不中运算逐渐增加物体的宽度。粗化的数学表达可以表示为 ( A ⊙ B ) ∪ A (A \odot B) \cup A (A⊙B)∪A
其中 A A A 是输入图像 B B B 是结构元素 ⊙ \odot ⊙ 表示击中运算。粗化操作的结果即为击中运算的结果与原始图像的并集。
6.3 细化与粗化操作的应用 骨架提取 细化操作可用于提取图像中物体的骨架。 字符识别 在字符识别中细化可以帮助识别字符的主要形状。 图像分析 细化和粗化操作可用于图像分析中的特征提取。 6.4 细化与粗化的代码示例
在OpenCV中可以使用 cv2.morphologyEx 函数进行细化和粗化操作。以下是一个简单的Python代码示例
import cv2
import numpy as np# 生成一个黑色背景的图像
image_size (300, 300)
image np.zeros(image_size, dtypenp.uint8)# 在图像中添加一些形状
cv2.circle(image, (50, 50), 20, 255, -1)
cv2.circle(image, (150, 150), 30, 255, -1)
cv2.rectangle(image, (200, 100), (250, 200), 255, -1)
cv2.ellipse(image, (100, 200), (40, 20), 30, 0, 360, 255, -1)
# 绘制白色椭圆弧
cv2.ellipse(image, (223, 223), (100, 50), 0, 210, 253, 255, 2)# 执行细化操作
thin cv2.ximgproc.thinning(image, thinningTypecv2.ximgproc.THINNING_GUOHALL)# 执行粗化操作
# 创建形态学操作的结构元素
kernel np.ones((3, 3), np.uint8)# 使用形态学操作执行粗化
thick cv2.dilate(image, kernel, iterations1)# 显示原始图像、细化操作结果和粗化操作结果
cv2.imshow(Thin and Thick Result, cv2.hconcat([image, thin, thick]))
cv2.waitKey(0)
cv2.destroyAllWindows()通过理解细化与粗化操作的原理和应用我们可以更好地运用这两种操作来实现骨架提取、字符识别等图像处理任务。在实际应用中可以根据具体情况选择不同的结构元素和迭代次数以达到最佳的细化或粗化效果。 总结
在本文中我们介绍了图像形态学的基础知识和操作。首先通过背景介绍我们了解到图像形态学在图像处理中的重要性。接着讨论了像素距离的概念及其度量方法并提供了计算像素距离的代码实现。图像连通性作为关键概念我们详细介绍了其定义、不同的连通类型以及在图像处理中的应用。
结构元素作为形态学操作的基础我们介绍了不同类型的结构元素并展示了如何自定义结构元素。膨胀、腐蚀、开运算、闭运算、黑帽运算和礼帽运算等操作被详细解释并提供了相应的代码示例。最后我们了解了击中与击不中、细化与粗化操作及其在图像处理中的应用并展示了相应的代码示例。
通过本文的学习我们对图像形态学的原理和实际应用有基本的理解能够灵活运用这些操作解决实际图像处理问题。形态学操作在计算机视觉、图像识别等领域有着广泛的应用为图像处理提供了强大的工具和技术。
