当前位置： 首页 > news >正文

OpenCV轻松入门_面向python（第八章 形态学操作）

news 2025/10/28 7:19:47

腐蚀

腐蚀能够将图像的边界点消除，使图像沿着边界向内收缩，也可以将小于指定结构体元素的部分去除；在腐蚀过程中，通常使用一个结构元来逐个像素地扫描要被腐蚀的图像，并根据结构元和被腐蚀图像的关系来确定腐蚀结果。通常用于去除噪声、消除小的白色区域、分离粘连的目标等
左图是原始图像，右图是对原图进行腐蚀以达到分离粘连的效果。

原理：

  • 如果结构元完全处于前景图像中（左图），就将结构元中心点所对应的腐蚀结果图像中的像素点处理为前景色（白色，像素点的像素值为 1）。
  • 如果结构元未完全处于前景图像中（可能部分在，也可能完全不在，右图），就将结构元中心点对应的腐蚀结果图像中的像素点处理为背景色（黑色，像素点的像素值为 0）。

用函数 cv2.erode()实现腐蚀操作，其语法格式为：
dst = cv2.erode( src, kernel[, anchor[, iterations[, borderType[,borderValue]]]] )

  • dst 是腐蚀后所输出的目标图像，该图像和原始图像具有同样的类型和大小。
  • src 是需要进行腐蚀的原始图像，图像的通道数可以是任意的。但是要求图像的深度必须是 CV_8U、CV_16U、CV_16S、CV_32F、CV_64F 中的一种。
  • kernel 代表腐蚀操作时所采用的结构类型。它可以自定义生成，也可以通过函数cv2.getStructuringElement()生成。
  • anchor 代表 element 结构中锚点的位置。该值默认为(-1,-1)，在核的中心位置。
  • iterations 是腐蚀操作迭代的次数，该值默认为 1，即只进行一次腐蚀操作。
  • borderType 代表边界样式，一般采用其默认值 BORDER_CONSTANT。
  • borderValue 是边界值，一般采用默认值。

使用数组演示腐蚀的基本原理

import cv2  
import numpy as np  img = np.zeros((5,5),np.uint8)  
img[1:4,1:4] = 1  
kernel = np.ones((3,1),np.uint8)  
erosion = cv2.erode(img,kernel)  
print("img=\n",img)  
print("kernel=\n",kernel)  
print("erosion=\n",erosion)

用函数 cv2.erode()完成图像腐蚀。

import cv2  
import numpy as np  
img = cv2.imread("erode.png",cv2.IMREAD_UNCHANGED)  
kernel = np.ones((5,5),np.uint8)  
erosion = cv2.erode(img,kernel)  
cv2.imshow("orriginal",img)  
cv2.imshow("erosion",erosion)  
cv2.waitKey()  
cv2.destroyAllWindows()

膨胀

膨胀操作和腐蚀操作的作用是相反的，膨胀操作能对图像的边界进行扩张。膨胀操作将与当前对象（前景）接触到的背景点合并到当前对象内，从而实现将图像的边界点向外扩张。

  • 如果结构元中任意一点处于前景图像中，就将膨胀结果图像中对应像素点处理为前景色。
  • 如果结构元完全处于背景图像外，就将膨胀结果图像中对应像素点处理为背景色。

用函数 cv2.dilate()实现对图像的膨胀操作，该函数的语法结构为：
dst = cv2.dilate( src, kernel[, anchor[, iterations[, borderType[,borderValue]]]])

  • dst 代表膨胀后所输出的目标图像，该图像和原始图像具有同样的类型和大小。
  • src 代表需要进行膨胀操作的原始图像。图像的通道数可以是任意的，但是要求图像的深度必须是 CV_8U、CV_16U、CV_16S、CV_32F、CV_64F 中的一种。
  • element 代表膨胀操作所采用的结构类型。它可以自定义生成，也可以通过函数cv2.getStructuringElement()生成。
    参数 kernel、anchor、iterations、borderType、borderValue 与函数 cv2.erode()内相应参数的含义一致。

使用数组演示膨胀原理

import cv2  
import numpy as np  
img = np.zeros((5,5),np.uint8)  
img[2:3,1:4]=1  
kernel = np.ones((3,1),np.uint8)  
dilation = cv2.dilate(img,kernel)  
print("img=\n",img)  
print("kernel=\n",kernel)  
print("dilation\n",dilation)

使用函数 cv2.dilate()完成图像膨胀操作

import cv2  
import numpy as np  
img = cv2.imread("dilation.bmp",cv2.IMREAD_UNCHANGED)  
kernel = np.ones((9,9),np.uint8)  
dilation = cv2.dilate(img,kernel)  
cv2.imshow("original",img)  
cv2.imshow("dilation",dilation)  
cv2.waitKey()  
cv2.destroyAllWindows()

通用形态学函数

腐蚀操作和膨胀操作是形态学运算的基础，将腐蚀和膨胀操作进行组合，就可以实现开运算、闭运算（关运算）、形态学梯度（Morphological Gradient）运算、礼帽运算（顶帽运算）、黑帽运算、击中击不中等多种不同形式的运算。

了函数 cv2.morphologyEx()来实现上述形态学运算，其语法结构如下：
dst=cv2.morphologyEx(src,op,kernel[,anchor[,iterations[,borderType[,borderValue]]]]] )

  • dst 代表经过形态学处理后所输出的目标图像，该图像和原始图像具有同样的类型和大小。
  • src 代表需要进行形态学操作的原始图像。图像的通道数可以是任意的，但是要求图像的深度必须是 CV_8U、CV_16U、CV_16S、CV_32F、CV_64F 中的一种。
  • op 代表操作类型。

开运算（腐蚀 -> 膨胀）

开运算进行的操作是先将图像腐蚀，再对腐蚀的结果进行膨胀。
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

函数 cv2.morphologyEx()实现开运算

import cv2  
import numpy as np  
img1=cv2.imread("opening.bmp")  
img2=cv2.imread("opening2.bmp")  
kernel = np.ones((10,10),np.uint8)  
r1=cv2.morphologyEx(img1,cv2.MORPH_OPEN,kernel)  
r2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,kernel)  
cv2.imshow("img1",img1)  
cv2.imshow("result1",r1)  
cv2.imshow("img2",img2)  
cv2.imshow("result2",r2)  
cv2.waitKey()  
cv2.destroyAllWindows()

闭运算（膨胀 -> 腐蚀）

闭运算是先膨胀、后腐蚀的运算，它有助于关闭前景物体内部的小孔，或去除物体上的小黑点，还可以将不同的前景图像进行连接。

import cv2  
import numpy as np  
img1=cv2.imread("closing.bmp")  
img2=cv2.imread("closing2.bmp")  
kernel=np.ones((10,10),np.uint8)  
r1=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,kernel,iterations=3)  
r2=cv2.morphologyEx(img2,cv2.MORPH_CLOSE,kernel,iterations=3)  
cv2.imshow("img1",img1)  
cv2.imshow("result1",r1)  
cv2.imshow("img2",img2)  
cv2.imshow("result2",r2)  
cv2.waitKey()  
cv2.destroyAllWindows()

形态学梯度运算

形态学梯度运算是用图像的膨胀图像减腐蚀图像的操作，该操作可以获取原始图像中前景图像的边缘。

result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

用函数 cv2.morphologyEx()实现形态学梯度运算

import cv2
import numpy as np
img=cv2.imread("gradient.bmp",cv2.IMREAD_UNCHANGED)
kernel=np.ones((5,5),np.uint8)
rst=cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
cv2.imshow("original",img)
cv2.imshow("result",rst)
cv2.waitKey()
cv2.destroyAllWindows()

礼帽运算

礼帽运算是用原始图像减去其开运算图像的操作。礼帽运算能够获取图像的噪声信息，或者得到比原始图像的边缘更亮的边缘信息。

result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

import cv2  
import numpy as np  
img1 = cv2.imread("lena.bmp",cv2.IMREAD_UNCHANGED)  
img2 = cv2.imread("erode.png",cv2.IMREAD_UNCHANGED)  
kernel = np.ones((5,5),np.uint8)  
rst1 = cv2.morphologyEx(img1,cv2.MORPH_TOPHAT,kernel)  
rst2 = cv2.morphologyEx(img2,cv2.MORPH_TOPHAT,kernel)  
cv2.imshow("original1",img1)  
cv2.imshow("original2",img2)  
cv2.imshow("result1",rst1)  
cv2.imshow("result2",rst2)  
cv2.waitKey()  
cv2.destroyAllWindows()

黑帽运算

黑帽运算是用闭运算图像减去原始图像的操作。黑帽运算能够获取图像内部的小孔，或前景色中的小黑点，或者得到比原始图像的边缘更暗的边缘部分。

import cv2  
import numpy as np  
img1 = cv2.imread("lena.bmp",cv2.IMREAD_UNCHANGED)  
img2 = cv2.imread("erode.png",cv2.IMREAD_UNCHANGED)  
kernel = np.ones((5,5),np.uint8)  
rst1 = cv2.morphologyEx(img1,cv2.MORPH_BLACKHAT,kernel)  
rst2 = cv2.morphologyEx(img2,cv2.MORPH_BLACKHAT,kernel)  
cv2.imshow("original1",img1)  
cv2.imshow("original2",img2)  
cv2.imshow("result1",rst1)  
cv2.imshow("result2",rst2)  
cv2.waitKey()  
cv2.destroyAllWindows()

核函数

在进行形态学操作时，必须使用一个特定的核（结构元）。该核可以自定义生成，也可以通过函数 cv2.getStructuringElement()构造。
如下：
retval = cv2.getStructuringElement( shape, ksize[, anchor])

  • shape 代表形状类型。
    • cv2.MORPH_RECT 矩形结构元素。所有元素值都是 1
    • cv2.MORPH_CROSS 十字形结构元素。对角线元素值为 1
    • cv2.MORPH_ELLIPSE 椭圆形结构元素
  • ksize 代表结构元素的大小。
  • anchor 代表结构元素中的锚点位置。默认的值是(-1, -1)，是形状的中心。只有十字星型的形状与锚点位置紧密相关。在其他情况下，锚点位置仅用于形态学运算结果的调整。

使用函数 cv2.getStructuringElement()生成不同结构的核

import cv2  
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))  
kernel2 = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))  
kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))  
print("kernel1=\n",kernel1)  
print("kernel2=\n",kernel2)  
print("kernel3=\n",kernel3)

不同的核对形态学操作的影响

import cv2  
img = cv2.imread("erode.png",cv2.IMREAD_UNCHANGED)  
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(10,10))  
kernel2 = cv2.getStructuringElement(cv2.MORPH_CROSS,(10,10))  
kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(10,10))  
dst1 = cv2.dilate(img,kernel1)  
dst2 = cv2.dilate(img,kernel1)  
dst3 = cv2.dilate(img,kernel1)  
cv2.imshow("orriginal",img)  
cv2.imshow("dst1",dst1)  
cv2.imshow("dst2",dst2)  
cv2.imshow("dst3",dst3)  
cv2.waitKey()  
cv2.destroyAllWindows()

http://www.dtcms.com/a/536062.html

相关文章：

  • 网站建设维护面试英雄联盟网站模板
  • 网络安全：金盾 RASP 应用防护
  • Cursor MCP Java程序员从零开始实战教程 第一章-第四节-MCP服务器安装与配置
  • __金仓数据库替代MongoDB护航医疗隐私：医院患者随访记录安全存储实践__
  • 有没有教做衣服的网站济南建设工程交易中心网站
  • MongoDB使用命令行导出导入索引
  • __金仓数据库平替MongoDB全栈安全实战：从文档存储到多模一体化的演进之路__
  • Python爬虫实战：新闻数据抓取与MongoDB存储全流程
  • 一站式搭建WordPress网站与Nginx RTMP流媒体服务
  • 使用 EasyExcel 进行 多 Sheet 导出
  • 做游戏网站赚钱么云服务器怎么用详细步骤
  • 建设网站的技术回龙观手机网站开发服务
  • 边缘计算与物联网中的 MDM和OTA
  • Linux物联网常用7天循环视频录制软件架构解决方案
  • Arguments: ls-remote --tags --heads git://github.com/adobe-webplatform/eve.git
  • Glide 图片缓存：异步更新 + 动画支持 + 自定义目录+自定义刷新时效
  • SWAT模型应用
  • 界面控件DevExpress WPF v25.1 - 官宣支持Avalonia XPF
  • HarmonyOS应用日志HiLog：从基础使用到高级调试技术
  • 系统架构设计师备考第55天——数据库设计融合物联网层次架构案例分析
  • 加查网站建设乌海seo
  • 北京金港建设股份有限公司网站wordpress缓存清理
  • Deepseek大模型结合Chrome搜索爬取2025AI投资趋势数据
  • 基于 ComfyUI 的 Stable Diffusion 本地部署与使用教程（Windows + CUDA12.0）
  • HTTPS 端口，443 之外的那些坑与排查实战
  • Stable Diffusion 短视频制作算力需求与优化策略研究
  • ComfyUI本地部署Stable Diffusion：核心组件（Python、PyTorch、CUDA）版本与显卡配置全指南
  • Adobe Pro DC裁剪PDF流程介绍
  • 如何编写 Chrome 插件（Chrome Extension）
  • 怎样做网站吸引人深圳网站seo优化排名公司