形态学操作+实例分析（第六天）

形态学概念介绍

形态学现在学完基本的几个了，但我还是不知道什么是形态学！原理其实就是和“卷积”在图像处理中的应用一样，就是一个“内核”遍历图像之后进行处理，内核的不同使得处理得到的图像效果也是不同的。下面介绍几种形态学滤波原理你就懂了：

注->RGB：0-255，0代表黑色，255代表白色

腐蚀：腐蚀的顾名思义就是一个东西变黑变坏变烂了，那么简单的理解就是把大于0的像素都都变得接近0就行了啊！

那对应的图像处理：

膨胀：一个人膨胀了的样子怎样的？变得越来越耀眼、越来越明亮！那么对应的像素就是像素<255的就越来越接近255啊。

那对应的图像处理：

开运算：从名字记忆是图像打开，既然是打开那就是最后的结果是膨胀-------------------->先腐蚀后膨胀

闭运算：和开运算相对，从名字记忆是图像关闭，既然是打开那就是最后的结果是腐蚀----->先膨胀后腐蚀

形态学梯度：梯度就是一个阶梯的长度，对应于图像那就是像素的差值，膨胀—原图、原图—腐蚀、膨胀—腐蚀、X/Y等方向的

顶帽：不解释了---->原图—开运算

黑帽：------------>原图—闭运算

---实例分析---

注意点：形态学滤波一般运用在二值化的图像上，对于那些彩色的图像运用不明显（用过之后很难看），看了很多书本的介绍都是随便找个例子，这是在课程中看到的，感觉按照下面的步骤学习形态学真的很简单而且实用！

例一：腐蚀的作用

原图如下，去除图片上的小白点。

用内核大小3X3进行的图片：小的白点已经没有了，但是稍微大点的杂点还是没去除！

这是实用15X15的内核进行的图片：图片的白点完全去除了。

这是不是完成了我们的要求了呢？仔细的看会发现，我们想要的大白色区域变小了，这是什么原因呢？

从我们上面的原理分析可以得知：腐蚀会把目标区域给变小的，请看下面的图片->>>红色区域是内核，

一号区域->黑色

二号区域->白色

三号区域->黑色

二号区域->黑色

五号区域->黑色

所以图片缩小的区域就是内核的大小，每个边都会缩小！

在想一下，如果我们用膨胀处理经过腐蚀的图片会怎么样？由上面的分析可以很快得到结论，就是恢复我们目标区域的原始尺寸

看下面的效果图：

代码比较简单，就是几行API，但是如何运用，为什么这么运用，这才是关键：

 1 int main(int argc,char**argv)
 2 {
 3     Mat input_image = imread("1.jpg");
 4     if (input_image.data==NULL) {
 5         return -1; cout << "can't open image.../";
 6     }
 7     imshow("Sourse image", input_image);
 8     Mat output_image;
 9     Mat kernel = getStructuringElement(MORPH_RECT,Size(15,15));
10     erode(input_image,output_image,kernel);
11     dilate(output_image, output_image,kernel);
12     imshow("Destinate image",output_image);
13     waitKey(0);
14     return 0;
15 }

例二：提取行和列

要求提取其中的行线段-->>

经过处理的线段图片：

这里没给其他的特殊照片，看代码直接改一下就可以了。

注意点: getStructuringElement()获得内核的一些参数->核大小、核形状、核锚点等。其中控制核的大小可以滤波不同的噪点：

我要滤去下面的三个大噪点，保留上面的大白色区域，其实滤波的核定义成红色的大小就可以了，不一定是正方形，矩形就可以了。

int main(int argc,char*=*argv)2 {3     Mat input_image = imread("1.jpg");4     if (input_image.data==NULL) {5         return -1; cout << "can't open image.../";6     }7     imshow("Sourse image", input_image);8     Mat output_image;9     Mat kernel = getStructuringElement(MORPH_RECT,Size(input_image.cols/30,1));//这个input_image.cols/30，是定义核的长度是图片长度的三十分之一，如果直                     　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 接给定一个数200也可以，但是你不知道200在图像上是多大啊。
10     erode(input_image,output_image,kernel);
11     dilate(output_image, output_image,kernel);
12     imshow("Destinate image",output_image);
13     waitKey(0);
14     return 0;
15 }

例三：简单的提取字母

目的是提取图片中的字母

灰度化：

阈值化：

形态学滤波：

取反之后：

 1 int main(int argc,char**argv)
 2 {
 3     Mat input_image = imread("1.jpg");
 4     if (input_image.data==NULL) {
 5         return -1; cout << "can't open image.../";
 6     }
 7     imshow("Sourse image", input_image);
 8     cvtColor(input_image,input_image,CV_RGB2GRAY);
 9     imshow("Sourse1 image", input_image);
10     //adaptiveThreshold(input_image,input_image,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY_INV,171,0);
11     threshold(input_image,input_image,15,255,THRESH_BINARY);
12     imshow("Sourse2 image", input_image);
13     Mat output_image;
14     Mat kernel = getStructuringElement(MORPH_RECT,Size(3,3));
15      erode(input_image,output_image,kernel);
16     dilate(output_image, output_image,kernel);
17     imshow("Destinate image",output_image);
18     bitwise_not(output_image,output_image);
19     imshow("Destinate2 image", output_image);
20     Mat my_kernel = (Mat_<uchar>(3, 3) << 0, -1, 0, 5, -1, 0, -1, 0);
21     filter2D(output_image,output_image,output_image.depth(),my_kernel);//加强显示
22     imshow("Destinate3 image", output_image);
23     waitKey(0);
24     return 0;
25 }

例四：稍微困难的提取字母

这个图像对我来说有点麻烦的，形态学滤波不行的，而且形态学操作之后留下很多噪点。。。。。

形态学操作之后：

轮廓检测去除噪点：

霍夫变换去除粗实线：

这个图的小噪点用上面的步骤可以去除，这个就没再继续了

上代码：

 1 Mat input_image = imread("2.jpg");
 2     if (input_image.data==NULL) {
 3         return -1; cout << "can't open image.../";
 4     }
 5     imshow("Sourse image", input_image);
 6     cvtColor(input_image,input_image,CV_RGB2GRAY);
 7     //adaptiveThreshold(input_image,input_image,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY_INV,171,0);
 8     threshold(input_image,input_image,0,255,THRESH_BINARY|THRESH_OTSU);
 9     //-----------------------去除细实线------------------------//
10     Mat output_image;
11     Mat kernel1 = getStructuringElement(MORPH_RECT,Size(3,3));
12     morphologyEx(input_image, input_image, MORPH_CLOSE, kernel1);
13     bitwise_not(input_image, input_image);
14     output_image = input_image.clone();
15     imshow("DeleteThick image", input_image);
16     //----------------------去除形态学不能去除的噪点----------------------//
17     vector<vector<Point> > contours;
18     vector<Vec4i> hierarchy;
19     findContours(output_image, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);
20     Mat contours_image = Mat::zeros(input_image.size(), input_image.type());
21     for (size_t i = 0; i < contours.size(); i++)
22     {
23         double Area = contourArea(contours[i]);
24         if (Area > 50) continue;
25         drawContours(contours_image, contours, static_cast<int>(i),Scalar(255,255,255),1);
26     }
27     input_image = input_image - contours_image;
28     morphologyEx(input_image, input_image, MORPH_OPEN, kernel1);
29     imshow("contours image", input_image);
30     //------------------去除粗实线--------------------//
31     vector<Vec4i> lines;
32     HoughLinesP(input_image,lines,1,CV_PI/180,100,0,200);
33     Mat line_image = Mat::zeros(input_image.size(), input_image.type());
34     for (size_t i = 0; i < lines.size(); i++)
35     {
36         line(line_image, Point(lines[i][0], lines[i][1]),
37             Point(lines[i][2], lines[i][3]), Scalar(255, 255, 255), 1, 8);
38     }
39     bitwise_not(input_image, input_image);
40     input_image = line_image + input_image;
41     morphologyEx(input_image, input_image, MORPH_CLOSE, kernel1);
42     imshow("Last image", input_image);

转载于:https://www.cnblogs.com/wjy-lulu/p/6659984.html

形态学操作+实例分析（第六天）相关推荐

python查询oracle数据库_python针对Oracle常见查询操作实例分析
本文实例讲述了python针对Oracle常见查询操作.分享给大家供大家参考,具体如下: 1.子查询(难): 当进行查询的时候,发现需要的数据信息不明确,需要先通过另一个查询得到, 此查询称为子查询: ...
简述php和web交互过程,PHP与Web页面交互操作实例分析
PHP与Web页面交互操作实例分析,表单,数组,参数,字符串,属性 PHP与Web页面交互操作实例分析易采站长站,站长之家为您整理了PHP与Web页面交互操作实例分析的相关内容. 本文实例讲述了PH ...
python3.5怎么打开_Python3.5文件修改操作实例分析
Python3.5文件修改操作实例分析本文实例讲述了Python3.5文件修改操作.分享给大家供大家参考,具体如下: 1.文件修改的两种方式 (1)像vim一样将文件加载到内存中,修改完之后再写回源 ...
tp5 日期范围查询_tp5(thinkPHP5框架)时间查询操作实例分析，tp5thinkphp5
tp5(thinkPHP5框架)时间查询操作实例分析,tp5thinkphp5 本文实例讲述了tp5(thinkPHP5框架)时间查询操作.分享给大家供大家参考,具体如下: 在项目中可能会遇到跨月 ...
java list反序列化_java序列化与反序列化操作实例分析
本文实例分析了java序列化与反序列化操作.分享给大家供大家参考,具体如下: 概述: Java序列化是指把Java对象转换为字节序列的过程;而Java反序列化是指把字节序列恢复为Java对象的过程. ...
php不同洁面使用json_PHP针对JSON操作实例分析
这篇文章主要介绍了PHP针对JSON操作的常用方法,实例分析了json转数组.数组转json等技巧与相关注意事项,需要的朋友可以参考下本文实例分析了PHP针对JSON操作.分享给大家供大家参考.具体 ...
python实操100例实例_python开发之list操作实例分析
本文实例分析了python开发之list操作.分享给大家供大家参考,具体如下: 对python中list的操作,大家可以参考<Python list操作用法总结> 以下是我个人的笔记: # ...
python如何实时查询oracle_python针对Oracle常见查询操作实例分析
本文实例讲述了python针对Oracle常见查询操作.分享给大家供大家参考,具体如下: 1.子查询(难): 当进行查询的时候,发现需要的数据信息不明确,需要先通过另一个查询得到, 此查询称为子查询: ...
ios php 序列化,PHP常见的序列化与反序列化操作实例分析
本文实例讲述了PHP常见的序列化与反序列化操作.分享给大家供大家参考,具体如下: 1.概念 serialize() 把变量和它们的值编码成文本形式 unserialize() 恢复原先变量 2.序列化 ...

形态学操作+实例分析（第六天）

形态学操作+实例分析（第六天）相关推荐

最新文章

热门文章