Python图像运算之腐蚀与膨胀详解

目录
  • 前言
  • 一.形态学理论知识
  • 二.图像腐蚀
  • 三.图像膨胀
  • 四.总结

前言

这篇文章将详细讲解开始图像形态学知识，主要介绍图像腐蚀处理和膨胀处理。数学形态学（Mathematical Morphology）是一种应用于图像处理和模式识别领域的新方法。数学形态学（也称图像代数）表示以形态为基础对图像进行分析的数学工具，其基本思想是用具有一定形态的结构元素去量度和提取图像中对应形状以达到对图像分析和识别的目的。

一.形态学理论知识

数学形态学的应用可以简化图像数据，保持它们基本的形状特征，并出去不相干的结构。数学形态学的算法有天然的并行实现的结构，主要针对的是二值图像（0或1）。在图像处理方面，二值形态学经常应用到对图像进行分割、细化、抽取骨架、边缘提取、形状分析、角点检测，分水岭算法等。由于其算法简单，算法能够并行运算所以经常应用到硬件中[1-2]。

常见的图像形态学运算包括：

  • 腐蚀
  • 膨胀
  • 开运算
  • 闭运算
  • 梯度运算
  • 顶帽运算
  • 底帽运算

这些运算在OpenCV中主要通过MorphologyEx()函数实现，它能利用基本的膨胀和腐蚀技术，来执行更加高级形态学变换，如开闭运算、形态学梯度、顶帽、黑帽等，也可以实现最基本的图像膨胀和腐蚀。其函数原型如下：

dst = cv2.morphologyEx(src, model, kernel)

– src表示原始图像

– model表示图像进行形态学处理，包括：

(1)cv2.MORPH_OPEN：开运算（Opening Operation）

(2)cv2.MORPH_CLOSE：闭运算（Closing Operation）

(3)cv2.MORPH_GRADIENT：形态学梯度（Morphological Gradient）

(4)cv2.MORPH_TOPHAT：顶帽运算（Top Hat）

(5)cv2.MORPH_BLACKHAT：黑帽运算（Black Hat）

kernel表示卷积核，可以用numpy.ones()函数构建

二.图像腐蚀

图像的腐蚀（Erosion）和膨胀（Dilation）是两种基本的形态学运算，主要用来寻找图像中的极小区域和极大区域。图像腐蚀类似于“领域被蚕食”，它将图像中的高亮区域或白色部分进行缩减细化，其运行结果比原图的高亮区域更小。

设A，B为集合，A被B的腐蚀，记为A－B，其定义为：

该公式表示图像A用卷积模板B来进行腐蚀处理，通过模板B与图像A进行卷积计算，得出B覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值。如图1所示，将左边的原始图像A腐蚀处理为右边的效果图A-B。

图像腐蚀主要包括二值图像和卷积核两个输入对象，卷积核是腐蚀中的关键数组，采用Numpy库可以生成。卷积核的中心点逐个像素扫描原始图像，被扫描到的原始图像中的像素点，只有当卷积核对应的元素值均为1时，其值才为1，否则将其像素值修改为0。在Python中，主要调用OpenCV的erode()函数实现图像腐蚀。

其函数原型如下：

dst = cv2.erode(src, kernel, iterations)

– src表示原始图像

– kernel表示卷积核

– iterations表示迭代次数，默认值为1，表示进行一次腐蚀操作

可以采用函数numpy.ones((5,5), numpy.uint8)创建5×5的卷积核，如下：

图像腐蚀操作的代码如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2
import numpy as np  

#读取图片
src = cv2.imread('test01.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像腐蚀处理
erosion = cv2.erode(src, kernel)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", erosion)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图2所示，左边表示原图，右边是腐蚀处理后的图像，可以发现图像中的干扰细线（噪声）被清洗干净。

如果腐蚀之后的图像仍然存在噪声，可以设置迭代次数进行多次腐蚀操作。比如进行9次腐蚀操作的核心代码如下：

erosion = cv2.erode(src, kernel,iterations=9)

最终经过9次腐蚀处理的输出图像如图3所示。

三.图像膨胀

图像膨胀是腐蚀操作的逆操作，类似于“领域扩张”，它将图像中的高亮区域或白色部分进行扩张，其运行结果比原图的高亮区域更大。

设A，B为集合，∅为空集，A被B的膨胀，记为A⊕B，其中⊕为膨胀算子，膨胀定义为：

该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点，用模板元素与二值图像元素做“与”运算，如果都为0，那么目标像素点为0，否则为1。从而计算B覆盖区域的像素点最大值，并用该值替换参考点的像素值实现图像膨胀。图4是将左边的原始图像A膨胀处理为右边的效果图A⊕B。

图像被腐蚀处理后，它将去除噪声，但同时会压缩图像，而图像膨胀操作可以去除噪声并保持原有形状，如图5所示。

在Python中，主要调用OpenCV的dilate()函数实现图像腐蚀。函数原型如下：

dst = cv2.dilate(src, kernel, iterations)

– src表示原始图像

– kernel表示卷积核，可以用numpy.ones()函数构建

– iterations表示迭代次数，默认值为1，表示进行一次膨胀操作

图像膨胀操作的代码如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2
import numpy as np  

#读取图片
src = cv2.imread('zhiwen.png', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像膨胀处理
erosion = cv2.dilate(src, kernel)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", erosion)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图6所示：

四.总结

本文主要介绍图像形态学处理，详细讲解了图像腐蚀处理和膨胀处理。数学形态学是一种应用于图像处理和模式识别领域的新方法，其基本思想是用具有一定形态的结构元素去量度和提取图像中对应形状以达到对图像分析和识别目的。

到此这篇关于Python图像运算之腐蚀与膨胀详解的文章就介绍到这了,更多相关Python图像腐蚀 膨胀内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！

赞 (0)

相关推荐

  • 玩转Python图像处理之二值图像腐蚀详解

    玩转Python图像处理之二值图像腐蚀详解

    目录 1 引言 2 腐蚀概念 3 举个栗子 4 水平腐蚀 4.1 理论基础 4.2 代码实现 5 垂直腐蚀 5.1 理论基础 5.2 代码实现 6 全方向腐蚀 6.1 理论基础 6.2 代码实现 7 总结 1 引言 形态学运算是针对二值图像依据数学形态学集合论方法发展起来的图像处理的方法.其主要内容是设计一整套的变换概念和算法,用以描述图像的基本特征. 在图像处理中,形态学的应用主要有以下两点:利用形态学的基本运算,对图像进行观察和处理,从而达到改善图像质量的目的;描述和定义图像的各种几何参数和

  • Python图像处理之膨胀与腐蚀的操作

    Python图像处理之膨胀与腐蚀的操作

    引言 膨胀与腐蚀是图像处理中两种最基本的形态学操作,膨胀将目标点融合到背景中,向外部扩展,腐蚀与膨胀意义相反,消除连通的边界,使边界向内收缩.在本文中我们将了解使用内核的图像膨胀与腐蚀的基本原理. 让我们开始吧,同样我们需要导入必需的库. import numpy as np import matplotlib.pyplot as plt from skimage.io import imread, imshow from skimage.draw import circle from skim

  • OpenCV-Python实现腐蚀与膨胀的实例

    OpenCV-Python实现腐蚀与膨胀的实例

    什么是形态学 要了解腐蚀之前,我们需要了解一个概念:形态学. 形态学,又名数学形态学(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的意义,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,在具体的识别时,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

  • OpenCV+python实现膨胀和腐蚀的示例

    OpenCV+python实现膨胀和腐蚀的示例

    1,概念及原理: 膨胀(Dilating) (或) (1)将图像 A 与任意形状的内核 (B),通常为正方形或圆形,进行卷积. (2)内核 B 有一个可定义的 锚点, 通常定义为内核中心点. (3)进行膨胀操作时,将内核 B 划过图像A,将内核 B 覆盖区域的最大相素值提取,并代替锚点位置的相素.显然,这一最大化操作将会导致图像中的亮区开始"扩展" (因此有了术语膨胀 dilation ). 以3*3的内核为例: 腐蚀(Eroding) (与) (1)腐蚀在形态学操作家族里是膨胀操作的

  • Python图像运算之图像阈值化处理详解

    Python图像运算之图像阈值化处理详解

    目录 一.图像阈值化 二.固定阈值化处理 1.二进制阈值化 2.反二进制阈值化 3.截断阈值化 4.阈值化为0 5.反阈值化为0 三.自适应阈值化处理 四.总结 一.图像阈值化 图像阈值化(Binarization)旨在剔除掉图像中一些低于或高于一定值的像素,从而提取图像中的物体,将图像的背景和噪声区分开来. 灰度化处理后的图像中,每个像素都只有一个灰度值,其大小表示明暗程度.阈值化处理可以将图像中的像素划分为两类颜色,常见的阈值化算法如公式(1)所示: 当某个像素点的灰度Gray(i,j)小于

  • Python图像运算之图像灰度线性变换详解

    Python图像运算之图像灰度线性变换详解

    目录 一.灰度线性变换 二.图像灰度上移变换 三.图像对比度增强变换 四.图像对比度减弱变换 五.图像灰度反色变换 六.总结 一.灰度线性变换 图像的灰度线性变换是通过建立灰度映射来调整原始图像的灰度,从而改善图像的质量,凸显图像的细节,提高图像的对比度.灰度线性变换的计算公式如(12-1)所示: 该公式中DB表示灰度线性变换后的灰度值,DA表示变换前输入图像的灰度值,α和b为线性变换方程f(D)的参数,分别表示斜率和截距[1-4]. 当α=1,b=0时,保持原始图像 当α=1,b!=0时,图像

  • Python图像运算之图像点运算与灰度化处理详解

    Python图像运算之图像点运算与灰度化处理详解

    目录 一.图像点运算概念 二.图像灰度化处理 三.基于像素操作的图像灰度化处理 1.最大值灰度处理方法 2.平均灰度处理方法 3.加权平均灰度处理方法 四.总结 一.图像点运算概念 图像点运算(Point Operation)指对于一幅输入图像,将产生一幅输出图像,输出图像的每个像素点的灰度值由输入像素点决定.点运算实际上是灰度到灰度的映射过程,通过映射变换来达到增强或者减弱图像的灰度.还可以对图像进行求灰度直方图.线性变换.非线性变换以及图像骨架的提取.它与相邻的像素之间没有运算关系,是一种简

  • Python图像运算之腐蚀与膨胀详解

    Python图像运算之腐蚀与膨胀详解

    目录 前言 一.形态学理论知识 二.图像腐蚀 三.图像膨胀 四.总结 前言 这篇文章将详细讲解开始图像形态学知识,主要介绍图像腐蚀处理和膨胀处理.数学形态学(Mathematical Morphology)是一种应用于图像处理和模式识别领域的新方法.数学形态学(也称图像代数)表示以形态为基础对图像进行分析的数学工具,其基本思想是用具有一定形态的结构元素去量度和提取图像中对应形状以达到对图像分析和识别的目的. 一.形态学理论知识 数学形态学的应用可以简化图像数据,保持它们基本的形状特征,并出去不相

  • Python图像运算之顶帽运算和底帽运算详解

    Python图像运算之顶帽运算和底帽运算详解

    目录 一.图像顶帽运算 二.图像底帽运算 三.总结 一.图像顶帽运算 图像顶帽运算(top-hat transformation)又称为图像礼帽运算,它是用原始图像减去图像开运算后的结果,常用于解决由于光照不均匀图像分割出错的问题.其公式定义如下: 图像顶帽运算是用一个结构元通过开运算从一幅图像中删除物体,顶帽运算用于暗背景上的亮物体,它的一个重要用途是校正不均匀光照的影响.其效果图如图1所示. 在Python中,图像顶帽运算主要调用morphologyEx()实现,其中参数cv2.MORPH_

  • Python图像运算之图像灰度非线性变换详解

    Python图像运算之图像灰度非线性变换详解

    目录 一.图像灰度非线性变换 二.图像灰度对数变换 三.图像灰度伽玛变换 四.总结 一.图像灰度非线性变换 原始图像的灰度值按照DB=DA×DA/255的公式进行非线性变换,其代码如下: # -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('luo.png') #图像灰度转换 grayImage =

  • Python图像运算之图像灰度直方图对比详解

    Python图像运算之图像灰度直方图对比详解

    目录 一.灰度增强直方图对比 二.灰度减弱直方图对比 三.图像反色直方图对比 四.图像对数变换直方图对比 五.图像阈值化处理直方图对比 六.总结 一.灰度增强直方图对比 图像灰度上移变换使用的表达式为: DB=DA+50 该算法将实现图像灰度值的上移,从而提升图像的亮度,结合直方图对比的实现代码如下所示. # -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as

  • Python图像运算之图像掩膜直方图和HS直方图详解

    Python图像运算之图像掩膜直方图和HS直方图详解

    目录 一.图像掩膜直方图 二.图像HS直方图 三.直方图判断白天黑夜 四.总结 一.图像掩膜直方图 如果要统计图像的某一部分直方图,就需要使用掩码(蒙板)来进行计算.假设将要统计的部分设置为白色,其余部分设置为黑色,然后使用该掩膜进行直方图绘制,其完整代码如下所示. # -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt import matplotl

  • Python图像处理之图像融合与ROI区域绘制详解

    Python图像处理之图像融合与ROI区域绘制详解

    目录 一.图像融合 二.图像ROI区域定位 三.图像属性 (1)shape (2)size (3)dtype 四.图像通道分离及合并 (1)split()函数 (2)merge()函数 五.图像类型转换 六.总结 一.图像融合 图像融合通常是指多张图像的信息进行融合,从而获得信息更丰富的结果,能够帮助人们观察或计算机处理.图5-1是将两张不清晰的图像融合得到更清晰的效果图. 图像融合是在图像加法的基础上增加了系数和亮度调节量,它与图像的主要区别如下[1-3]: 图像加法:目标图像 = 图像1 +

  • python数字图像处理之高级滤波代码详解

    python数字图像处理之高级滤波代码详解

    本文提供许多的滤波方法,这些方法放在filters.rank子模块内. 这些方法需要用户自己设定滤波器的形状和大小,因此需要导入morphology模块来设定. 1.autolevel 这个词在photoshop里面翻译成自动色阶,用局部直方图来对图片进行滤波分级. 该滤波器局部地拉伸灰度像素值的直方图,以覆盖整个像素值范围. 格式:skimage.filters.rank.autolevel(image, selem) selem表示结构化元素,用于设定滤波器. from skimage im

随机推荐