9.2.2 Python图像处理之图像数学形态学-二值形态学应用-目标检测（击中与击不中）

文章目录

9.2.2 Python图像处理之图像数学形态学-二值形态学应用-目标检测（击中与击不中）
- 1 算法原理
- 2 代码
- 3 效果

1 算法原理

采用击中与击不中来进行目标检测

击中击不中变换定义

击中击不中变换(HMT)需要两个结构元素B1和B2,合成一个结构元素对B=(B1,B2)。一个用于探测图像内部,作为击中部分;另一个用于探测图像外部,作为击不中部分。显然,B1和B2是不应该相连接的,即B1∩B2=Φ。击中击不中变换的数学表达式为：

g(x, y)=hitmiss[f(x, y), B]=erode[f(x, y), B1]AND erode[fc(x, y), B2]

其中,fc(x,y)表示的是f(x,y)的补集。

Hit-miss示意图：

已知A,B：在A图中寻找B图所示的图像目标的位置。

4步：

1 确定结构元素

既然是寻找图B所示形状，选取H为图B所示的形状。再选一个小窗口W，W包含H，M＝W－H。如下图所示：

2，求H对待检测A的腐蚀

3、求M对A补集的腐蚀

4、求2,3步结果的交集得到目标图案的位置

2 代码

运行代码说明

1.要改变代码中的图片地址（地址不能有中文）

更改65-66行的图片地址

2.注意最后的plt.savefig('1.new.jpg')是保存plt图像，如果不使用可以注释掉

代码依赖包：
matplotlib  3.4.2
numpy  1.20.3
opencv-python  4.1.2.30
# pip安装
pip install matplotlib numpy opencv-python

import cv2
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedef plt_show_opcv(title, image):'''显示结果图像，只有一个图像:param title::param image::return:'''if image.shape.__len__() == 3:plt.imshow(image[:, :, ::-1])else:plt.imshow(image, cmap='gray')plt.title(title)plt.savefig(title + "Target_Detection.jpg")plt.show()def pme(titles, images, rc=None):'''显示多张图像在一个画布:param titles::param images:要显示图像的列表:param rc::return:'''row = Nonecol = Noneif rc is None:length = len(titles)row = int(np.sqrt(length))col = int(length / row)if length - row - col > 0:row += 1else:row = rc[0]col = rc[1]for i in range(len(titles)):plt.subplot(row, col, i + 1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.savefig(titles[1]+"Target_Detection.jpg")plt.show()def hmt(a, b):b1 = ~b  # 补集b2 = ba1 = ~aa2 = apme(["原图补集", "原图", "目标图形补集", "目标图形原图"],[a1, a2,b1, b2])x1_erode_b1 = cv2.erode(a1, b1)# 补集腐蚀x2_erode_b2 = cv2.erode(a2, b2)  # 正常腐蚀r = cv2.bitwise_and(x1_erode_b1, x2_erode_b2)pme(['补集之间腐蚀', '正常图像腐蚀',"最后腐蚀结果"], [x1_erode_b1, x2_erode_b2,r])return rimage_X = cv2.imread("jiance2.png", 0)  # 待检测的图像
image_B = cv2.imread("shuzi2.png", 0)  # 模板图像ret1, image_X = cv2.threshold(image_X, 127, 255, cv2.THRESH_BINARY)
ret2, image_B = cv2.threshold(image_B, 127, 255, cv2.THRESH_BINARY)re = hmt(image_X, image_B)targets = []
for i in range(re.shape[0]):for j in range(re.shape[1]):if re[i][j]:targets.append((j, i))print(i, j)for target in targets:image_X = cv2.drawMarker(image_X, target, 125, markerType=cv2.MARKER_CROSS, markerSize=20, thickness=3)
plt_show_opcv("十字标记目标", image_X)

3 效果

使用击中与击不中原理来检测目标，这个我只在方方正正的目标和图像中实现了，其他复杂图像没能成功。

我实验的待检测的图片，左上角的黑色正方形是要检测的目标图案

模板图案：

结果图像

原图Target_Detection.jpg

正常图像腐蚀Target_Detection.jpg

目标结果图像

9.2.2 Python图像处理之图像数学形态学-二值形态学应用-目标检测相关推荐

9.2.1 Python图像处理之图像数学形态学-二值形态学应用之噪声消除
9.2.1 Python图像处理之图像数学形态学-二值形态学应用之噪声消除文章目录 9.2.1 Python图像处理之图像数学形态学-二值形态学应用之噪声消除 1 算法原理 2 代码 3 效果 1 ...
9.2.3 Python图像处理之图像数学形态学-二值形态学应用-区域填充
9.2.3 Python图像处理之图像数学形态学-二值形态学应用-区域填充文章目录 9.2.3 Python图像处理之图像数学形态学-二值形态学应用-区域填充 1 算法原理 2 代码 3 效果 1 ...
9.1 Python图像处理之图像数学形态学-二值形态学（腐蚀、膨胀、开启、闭合）
9.1 Python图像处理之图像数学形态学-二值形态学(腐蚀.膨胀.开启.闭合) 文章目录 9.1 Python图像处理之图像数学形态学-二值形态学(腐蚀.膨胀.开启.闭合) 1 算法原理 1.1 ...
9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度、形态平滑、高帽变换、低帽变换)
9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度.形态平滑.高帽变换.低帽变换) 文章目录 9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度.形 ...
9.3 Python图像处理之图像数学形态学-灰度形态学
9.3 Python图像处理之图像数学形态学-灰度形态学文章目录 9.3 Python图像处理之图像数学形态学-灰度形态学 1 算法原理 2 代码 3 效果 1 算法原理灰度图像与二值图像的区别在 ...
【图像处理】——图像的二值化操作及阈值化操作（固定阈值法（全局阈值法——大津法OTSU和三角法TRIANGLE）和自适应阈值法（局部阈值法——均值和高斯法））
目录一.二值化的概念(实际上就是一个阈值化操作) 1.概念: 2.实现方法 3.常用方法二.阈值类型 1.常见阈值类型(主要有五种类型) (1)公式描述 (2)图表描述 2.两种特殊的阈值算法(O ...
利用python opencv实现图像自适应二值化
对灰度图像利用阈值得到一个二值化的图像,是常最常用的图像处理技术之一.例如,灰度大于127的图像设置为1.小于127的设置为0,这种处理便是固定阈值127的二值化处理. 自适应的二值化处理不同于固定阈 ...
8.3 Python图像处理之图像典型分割-分水岭分割
8.3 Python图像处理之图像典型分割-分水岭分割文章目录 8.3 Python图像处理之图像典型分割-分水岭分割 1 算法原理 2 代码 3 效果 1 算法原理分水岭概念是以对图像进行三维可 ...
8.1 Python图像处理之图像典型分割-SUSAN边缘检测
8.1 Python图像处理之图像典型分割-SUSAN边缘检测文章目录 8.1 Python图像处理之图像典型分割-SUSAN边缘检测 1 算法原理 2 代码 3 效果 1 算法原理 SUSAN 的 ...

9.2.2 Python图像处理之图像数学形态学-二值形态学应用-目标检测