Python图像处理丨图像腐蚀与图像膨胀
摘要:本篇文章主要讲解Python调用OpenCV实现图像腐蚀和图像膨胀的算法。
本文分享自华为云社区《[Python图像处理] 八.图像腐蚀与图像膨胀》,作者: eastmount 。
本篇文章主要讲解Python调用OpenCV实现图像腐蚀和图像膨胀的算法,基础性知识希望对您有所帮助。
- 1.基础理论
- 2.图像腐蚀代码实现
- 3.图像膨胀代码实现
一. 基础知识
(注:该部分参考作者论文《一种改进的Sobel算子及区域择优的身份证智能识别方法》)
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.图像膨胀
膨胀的运算符是“⊕”,其定义如下:
![](https://pic2.zhimg.com/80/v2-ca098519369b1441a845856aaf1c4a49_720w.jpg)
该公式表示用B来对图像A进行膨胀处理,其中B是一个卷积模板或卷积核,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膨胀。下图是将左边的原始图像A膨胀处理为右边的效果图A⊕B。
![](https://pic3.zhimg.com/80/v2-8ebfb3402dc0a220e4c5c05979f1040a_720w.jpg)
处理结果如下图所示:
2.图像腐蚀
腐蚀的运算符是“-”,其定义如下:
![](https://pic2.zhimg.com/80/v2-3d3c1ac809fdecf3bb5f4dab1beabbf9_720w.jpg)
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。如图所示,将左边的原始图像A腐蚀处理为右边的效果图A-B。
![](https://pic1.zhimg.com/80/v2-18369caba8e4baccd53d6a5c0c5f771c_720w.jpg)
处理结果如下图所示:
![](https://pic4.zhimg.com/80/v2-bd941e3052f9f55371041e7a47f399d3_720w.jpg)
二. 图像腐蚀代码实现
1.基础理论
形态学转换主要针对的是二值图像(0或1)。图像腐蚀类似于“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。其主要包括两个输入对象:
(1)二值图像
(2)卷积核
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,如下图所示:
![](https://pic2.zhimg.com/80/v2-8d7c9fd279a46e7f1b9d0c9cae03ca19_720w.jpg)
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,否则其值修改为0。换句话说,遍历到的黄色点位置,其周围全部是白色,保留白色,否则变为黑色,图像腐蚀变小。
![](https://pic3.zhimg.com/80/v2-733c2f9bfe867deb4f47a2d178d08fca_720w.jpg)
2.函数原型
图像腐蚀主要使用的函数为erode,其原型如下:
dst = cv2.erode(src, kernel, iterations)
参数dst表示处理的结果,src表示原图像,kernel表示卷积核,iterations表示迭代次数。下图表示5*5的卷积核,可以采用函数 np.ones((5,5), np.uint8) 构建。
![](https://pic1.zhimg.com/80/v2-f375a40fc30c01ea04a694093fc34664_720w.jpg)
注意:迭代次数默认是1,表示进行一次腐蚀,也可以根据需要进行多次迭代,进行多次腐蚀。
3.代码实现
完整代码如下所示:
#encoding:utf-8 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()
输出结果如下图所示:
![](https://pic4.zhimg.com/80/v2-6b3f0be2c7ff2e480a280023940b1213_720w.jpg)
由图可见,干扰的细线被进行了清洗,但仍然有些轮廓,此时可设置迭代次数进行腐蚀。
erosion = cv2.erode(src, kernel,iterations=9)
输出结果如下图所示:
![](https://pic4.zhimg.com/80/v2-d84337502385a548cb55c0343dbe65f7_720w.jpg)
三. 图像膨胀代码实现
1.基础理论
图像膨胀是腐蚀操作的逆操作,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,线条变粗了,主要用于去噪。
(1) 图像被腐蚀后,去除了噪声,但是会压缩图像。
(2) 对腐蚀过的图像,进行膨胀处理,可以去除噪声,并且保持原有形状。
![](https://pic4.zhimg.com/80/v2-a23284b3412b936e5a8b39faf8fde98f_720w.jpg)
它也包括两个输入对象:
(1)二值图像或原始图像
(2)卷积核
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,如下图所示:
![](https://pic4.zhimg.com/80/v2-71b4335549790c86beb311f42a5a2227_720w.jpg)
被扫描到的原始图像中的像素点,当卷积核对应的元素值只要有一个为1时,其值就为1,否则为0。
2.函数原型
图像膨胀主要使用的函数为dilate,其原型如下:
dst = cv2.dilate(src, kernel, iterations)
参数dst表示处理的结果,src表示原图像,kernel表示卷积核,iterations表示迭代次数。下图表示5*5的卷积核,可以采用函数 np.ones((5,5), np.uint8) 构建。
![](https://pic1.zhimg.com/80/v2-67c0e1330f98bf5551570d933d666614_720w.jpg)
注意:迭代次数默认是1,表示进行一次膨胀,也可以根据需要进行多次迭代,进行多次膨胀。通常进行1次膨胀即可。
3.代码实现
完整代码如下所示:
#encoding:utf-8 import cv2 import numpy as np #读取图片 src = cv2.imread('test02.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()
输出结果如下所示:
![](https://pic2.zhimg.com/80/v2-70f22554a864451d11aea89b1053966d_720w.jpg)
图像去噪通常需要先腐蚀后膨胀,这又称为开运算,下篇文章将详细介绍。如下图所示:
erosion = cv2.erode(src, kernel)
result = cv2.dilate(erosion, kernel)
![](https://pic2.zhimg.com/80/v2-1b4572ce9ae767d64a4ee0ea284c9a95_720w.jpg)
本文摘录自eastmount X华为云开发者社区联合出品的电子书《从零到一 • Python图像处理及识别》。
点击免费下载电子书《从零到一 • Python图像处理及识别》
相关文章
- 【教程】Python requests库POST方式接收Stream类型的响应
- 2022世界杯的呈现:用简单的python代码画出
- [oeasy]python0029_放入系统路径_PATH_chmod_程序路径_执行原理
- Python Request POST 上传文件 Multipart/form-data
- python 实现dcmtk关联pacs功能 推送下拉影像
- Python selenium webdriver 基本使用
- Python Request get post 代理 基本使用
- Python Xpath解析 数据提取 基本使用
- Python beautifulsoup4解析 数据提取 基本使用
- Python Re 正则表达式 数据匹配提取 基本使用
- Python Tkinter Gui 常用组件介绍 基本使用
- Python~Pandas 小白避坑之常用笔记
- Python 缩进语法的起源:上世纪 60-70 年代的大胆创意!
- 神了,用 Python 预测世界杯决赛,发现准确率还挺高
- 通过python基于netconf协议获取网络中网元的配置数据,助力企业网络控制自动化轻松实现!
- 适用初学者的5种Python数据输入技术
- 2022 PyCharm激活的,码上用起来吧 ,python快速使用等等
- python3.6、python3.10用什么版本的pip
- 基于Python的OpenCV有关像素的操作
- Python写脚本尝试loguru模块