OpenCV-python中5个基础函数-灰度化、高斯模糊、Canny边缘检测、膨胀和腐蚀 使用OpenCV可以对彩色原始图像进行基本的处理,涉及到5个常用的处理: 代码语言:txt AI代码解释 1. 灰度化 2. 模糊处理 3. Canny边缘检测 4. 膨胀 5. 腐蚀 本例中我们采用数字图像处理中经常用到的一副标准图像 资源 具体
图像的膨胀(Dilation)和腐蚀(Erosion)是两种基本的形态学运算,主要用来寻找图像中的极大区域和极小区域。其中膨胀类似于“领域扩张”,将图像中的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大;腐蚀类似于“领域被蚕食”,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。 1...
原理:腐蚀操作会将结构元素的每个像素与待操作图像的每个像素进行逐个比较,当结构元素的所有像素都覆盖在待操作图像的前景像素上时,将输出前景像素。否则输出背景像素。所以kernel越大,腐蚀部分约大 importcv2importosimportnumpyasnpos.chdir('e://text')img=cv2.imread('pie.png',0)defcv_show(name,img):cv2.i...
腐蚀:腐蚀会把物体的边界腐蚀掉,卷积核沿着图象滑动,如果卷积核对应的原图的所有像素值为1,那么中心元素就保持原来的值,否则变为零。主要应用在去除白噪声,也可以断开连在一起的物体。 膨胀:卷积核所对应的原图像的像素值只要有一个是1,中心像素值就是1。一般在除噪是,先腐蚀再膨胀,因为腐蚀在去除白噪声的时候...
腐蚀操作能够将图像的边界点消除,将图像沿着边界点向内收缩,也可以将小于指定结构的部分消除,即可以把图像细化, 除去噪声 该操作是逐个像素点来决定值,每次判定的点都是结构元中心点所对应的点 函数形式 dst = cv2.erode(src , kernel [ , anchor [ , interations [, borderType [ , borderValue]]]) 1...
1、腐蚀erode() 腐蚀操作可以将边界的白色(前景)像素“腐蚀”掉,但仍能保持大部分白色。类似平滑处理的滑动窗口,用某种结构元在图像上滑动,当结构元覆盖原始图像中的所有像素都为“1”时,新图像中该像素点的值才为“1”(CV8U为255)。腐蚀可以用来去除噪声、去掉“粘连”。
第一个参数:img指需要腐蚀的图 第二个参数:kernel指腐蚀操作的内核,默认是一个简单的3X3矩阵,我们也可以利用getStructuringElement()函数指明它的形状 第三个参数:iterations指的是腐蚀次数,省略是默认为1 dst则为返回的图像。 代码: import cv2import numpy as npimg = cv2.imread('01.jpg',0)kernel = cv2....
opencv-python形态学处理 之 图像腐蚀/膨胀 腐蚀可以看作是黑暗的扩散;膨胀可以看作是光芒的扩散。 # 腐蚀erode 与 膨胀dilate (互为逆操作)importcv2importnumpyasnpimg=cv2.imread('2.png',0)# 0: 读入时转为黑白img=cv2.resize(img,(512,512))# 尺寸伸缩thr,img=cv2.threshold(img,190,255,cv2.THRESH...
腐蚀操作与膨胀操作类似,只是它取结构元所指定的领域内值的最小值作为该位置的输出灰度值。因为取每个位置领域内最小值,所以腐蚀后输出图像的总体亮度的平均值比起原图会有所降低,图像中比较亮的区域的面积会变小甚至消失,而较暗物体的尺寸会扩大,即最小值替换中心像素。
通常,在消除噪音的情况下,腐蚀后会膨胀。因为腐蚀会消除白噪声,但也会缩小物体。因此,我们对其进行了扩展。由于噪音消失了,它们不会回来,但是我们的目标区域增加了。在连接对象的损坏部分时也很有用。 dilation = cv.dilate(img,kernel,iterations = 1) 结果: 3. 开运算 开放只是侵蚀然后扩张的另一个名称。如...