opencv图像腐蚀和膨胀操作,opencv 膨胀

　　原文链接：3358 www . juzi code.com/opencv-python-erode-dilate

　　返回Opencv-Python教程

　　形态学变换是基于图像形状的变换过程，通常用于处理二值图像，当然也用于灰度。OpenCV中的形态变换也是基于像平滑一样的“滑动窗口”，但形态变换中的“滑动窗口”有一个更专业的术语“结构”。用于平滑的结构形状有四边形、十字形、椭圆形等。它们的形状决定了形态转换的特征。形态变换主要包括腐蚀、膨胀、开运算、闭运算等。

　　1.蚀刻侵蚀)蚀刻操作可以“蚀刻”边界的白色(前景)像素，但仍然保留大部分白色。滑动窗口(如平滑)通过某种纹理在图像上滑动。如果纹理覆盖了原始图像中的所有像素，并且为“1”，则新图像中该像素的值为“1”。(cv8u是255)。腐蚀可以用来消除噪音和“粘滞”。

　　界面格式：

　　2.ERODE (src，kernel[，dst[，anchor[，iterations[，borderType[，border value]])-dst 3358 www . Sina .可由kernel:getstructuringelement()构建；Dst)输出图像、通道号、数据类型与src相同；锚点：锚点。默认情况下，中心点由-1和-1表示。迭代次数：腐蚀次数；BorderType:边框类型；BorderValue:边界值；以下是5号和7号管道的腐蚀示例。

　　Importmatplotlib。pyplotpltimportcv2print (VX微信官方账号：orange code/juzi code . com))print)cv2。_ _ version _ 3:samples \ \ picture \ mnist-7 . jpg ，cv2 . im read 0)kernel=cv2 . getstructuringelement(cv2 . morph _ rect，(5)迭代次数=1(kernel=cv2 . getstructuringelement(cv2 . morph _ rect，(7，7)) #ksize=7x7，img _ ret 2=cv2 iterations=2)# k size=7x 7，蚀刻两次#显示图像fig，Ax=PLT.subplots 0)。set_title(原创-MNIST)juzi code . com))axcv 2 . color _ bgr 2 RGB 1)。imshow (cv2.cvtcolor (img _ ret1，cv2。COLOR_BGR2RGB)) ax) 1，0)。set_title 1)。imshow ) cv2.cvtcolor ) img_ret3，cv2.color _ bgr2RGB ax [ 0，1 ]。轴(关)；ax [ 1，0 ]。轴(关)；Ax [1，1]。axis (off))关闭坐标轴并显示plt.show)的执行结果：

　　原图片来源：mnist

　　从执行结果可以看出，kernel的ksize越大，迭代次数越多，镜像看起来就像一个“稳定”的。

　　2.exploit Expansion))膨胀是腐蚀的逆操作，可以使边框白色(前景)像素“长大”并膨胀。当窗口通过白色像素时，如果结构元素中的一个像素为“1”，则该像素在新图像中的值为“1”。(cv8u是255)。膨胀可以用来加强连接和填充凹陷。

　　界面格式：

　　2.Dilate (src，kernel[，dst[，anchor[，iterations[，borderType[，border value]])-dst 3358 www . Sina image kernel:哈哈

　　GetStructuringElement()构造；Dst:输出图像，通道数和数据类型与src相同；Anchor:锚点，默认为(-1，-1)表示中心点；迭代次数：腐蚀次数；BorderType:边框类型；BorderValue:边界值；以下是内核大小为5和7的扩展示例：

　　将matplotlib.pyplot作为血小板计数导入cv2print(VX公众号：桔子代码/juzicode.com’)打印( cv2 .__version__:，cv2 .__version__)plt.rc(font ，family=Youyuan ，size=9)img=cv2.imread(.\ \ samples \ \ picture \ \ m NIST-7-b . jpg ，cv2 .IMREAD _ gray)_，img=cv2.threshold(img，127，255，0)kernel=cv2。getstructuringelement(cv2 .MORPH_RECT，(5，5))img_ret1=cv2.dilate(img，kernel，iterations=1)kernel=cv2。getstructuringelement(cv2 .MORPH_RECT，(7，7))img _ ret 2=cv2 . dilat(img内核，迭代次数=1)img_ret3=cv2.dilate(img，内核，迭代次数=2) #显示图像fig，ax=plt.subplots(2，2)ax[0，0].set_title(原图-mnist(juzicode.com))ax[0，0].imshow(cv2.cvtColor(img，cv2 .COLOR_BGR2RGB)) #matplotlib显示图像为rgb格式ax[0，1].set _ title( dilat ksize=5 )ax[0，1].imshow(cv2.cvtColor(img_ret1，cv2 .COLOR_BGR2RGB))ax[1，0].set_title(dilate ksize=7)ax[1，0].imshow(cv2.cvtColor(img_ret2，cv2 .COLOR_BGR2RGB))ax[1，1].set _ title( dilat ksize=7 ITER=2 )ax[1，1].imshow(cv2.cvtColor(img_ret3，cv2 .COLOR_BGR2RGB))ax[0，0].轴("关");ax[0，1].轴("关");ax[1，0].轴("关");ax[1，1].轴(关)#关闭坐标轴显示plt.show()运行结果：

　　原图图源：mnist

　　从运行结果可以看到核心的ksize越大，迭代次数越多，图像看起来越"胖"。

　　3、结构元生成getStructuringElement()结构元生成函数用来生成形态学变换的核心参数。

　　接口形式：

　　cv2。getstructuringelement(shape，ksize[，anchor]) -retval参数含义：shape:结构元（内核)的形状；ksize:结构元（内核)的大小；锚：锚点，默认使用(-1,-1)表示中心点；其中形状属性有可选的3种形状：

　　cv2 .矩形墨菲方形，所有的数值均为1cv2 .变形_交叉十字交叉形，在锚点坐标的水平和竖直方向的元素为1,其他为0cv2 .变形_椭圆椭圆形下面是一个核心大小为7,形状不同的膨胀例子：

　　将matplotlib.pyplot作为血小板计数导入cv2print(VX公众号：桔子代码/juzicode.com’)打印( cv2 .__version__:，cv2 .__version__)plt.rc(font ，family=Youyuan ，size=9)img=cv2.imread(.\ \ samples \ \ picture \ \ m NIST-7-b . jpg ，cv2 .IMREAD _ gray)_，img=cv2.threshold(img，127，255，0)kernel=cv2。getstructuringelement(cv2 .墨菲_RECT，(7，7))打印(墨菲_RECT内核：\n ，内核)img_ret1=cv2.dilate(img，内核，迭代次数=1)内核=cv2.getStructuringElement(cv2 .MORPH_ELLIPSE，(7，7))print( MORPH _ ELLIPSE kernel:\ n ，kernel)img_ret2=cv2.dilate(img，kernel，iterations=1)kernel=cv2。getstructuringelement(cv2 .MORPH_CROSS，(7，7))print(MORPH_CROSS kernel:\n ，kernel)img_ret3=cv2.dilate(img，kernel，iterations=1) #显示图像fig，ax=plt.subplots(2，2)ax[0，0].set_title(原图-mnist(juzicode.com))ax[0，0].imshow(cv2.cvtColor(img，cv2 .COLOR_BGR2RGB)) #matplotlib显示图像为rgb格式ax[0，1].设置标题(变形_RECT内核)ax[0，1].imshow(cv2.cvtColor(img_ret1，cv2 .COLOR_BGR2RGB))ax[1，0].set _ title( MORPH _ ELLIPSE kernel )ax[1，0].imshow(cv2.cvtColor(img_ret2，cv2 .COLOR_BGR2RGB))ax[1，1].set _ title( MORPH _ CROSS kernel )ax[1，1].imshow(cv2.cvtColor(img_ret3，cv2 .COLOR_BGR2RGB))ax[0，0].轴("关");ax[0，1].轴("关");ax[1，0].轴("关");ax[1，1].轴(关)#关闭坐标轴显示plt.show()运行结果：

　　甲硫膦酸丙胺乙酯公众号：桔子码/鞠子码。com cv2。_ _ version _ _:4。5 .3 MORPH _ RECT内核：[[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 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 1 1 1 1 1 1 1 1 1 1 1 1 1内核：[[0 0 0 1 0 0 0 0][0 1 1 1 1 1 0][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 1 1 1 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

　　原图图源：mnist

　　从运行结果可以看到当使用方形矩形墨菲的结构元时，新图像的边界看起来仍然是方方正正的，但是使用十字形变形_交叉和椭圆形变形_椭圆的结构元时，边界要显得"圆滑"的多。

　　4、实际应用的例子下面是一个用腐蚀去除噪声的例子：

　　将matplotlib.pyplot作为血小板计数导入cv2print(VX公众号：桔子代码/juzicode.com’)打印( cv2 .__version__:，cv2 .__version__)plt.rc(font ，family=Youyuan ，size=9)img=cv2.imread(.\ \样本\ \图片\ \ m NIST-7-噪音。jpg ，cv2 .IMREAD _ gray)_，img=cv2.threshold(img，127，255，0)kernel=cv2。getstructuringelement(cv2 .MORPH_RECT，(7，7))img_ret1=cv2.erode(img，kernel，iterations=2) #显示图像fig，ax=plt.subplots(1，2)ax[0].set_title(原图(juzicode.com))ax[0].imshow(cv2.cvtColor(img，cv2 .COLOR_BGR2RGB)) #matplotlib显示图像为rgb格式斧[1].set _ title( erode ksize=7 ITER=2 )ax[1].imshow(cv2.cvtColor(img_ret1，cv2 .COLOR_BGR2RGB))ax[0].轴("关");斧[1].轴( off)plt.show()

　　原图图源：mnist

　　在原图中白色小点表示的噪声通过腐蚀操作被去除掉了。

　　下面是一个在五线谱中去除横线的例子：

　　因为横线是水平方向的，高度小长度大，先用一个17的结构元进行腐蚀，这时腐蚀会作用到垂直方向上，水平方向几乎不会被影响到，从而将高度较小的横线腐蚀掉，但是因为腐蚀操作将需要保留的符号也腐蚀掉了一部分，所以再用同样的结构元进行一次膨胀操作，就能复原出符号的形状。

　　扩展阅读：OpenCV-Python教程

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

相关文章阅读