OPENCV基礎操作

提示：本專欄所用版本僅供參考，其他版本也可

庫版本

python	Python 3.9.3
opencv	4.5.5
matplotlib	3.4.3
numpy	1.19.5
QQ學習群	點擊加群：928357277

提示:本章節將處理如下圖片，可提前下載使用，保存為.bmp格式

學習目錄

• （一）形態學操作
• • 內容
  • 腐蝕
  • 膨脹
  • 通用形態學函數
  • 通用形態學函數相關運算
  • 代碼及其運行結果
• （二）圖像梯度
• • soble算子
  • • 內容介紹
    • 使用soble獲取完整的水平方向邊緣信息
    • 使用soble獲取完整的水平，垂直兩個方向邊緣信息
  • Scharr算子
  • • 使用Scharr獲取完整的水平，垂直兩個方向邊緣信息
  • Laplacian算子
  • • 內容介紹
    • 使用Laplacian獲取完整的水平，垂直兩個方向邊緣信息

（一）形態學操作

內容

? ? 介紹： 形態學，全名數學形態學
? ? 主要功能： 從圖像內提取分量信息，該分量信息對于表達和描繪圖像的形狀具有重要的意義，如文字識別，醫學圖像處理，圖像壓縮編碼，視覺檢測等
? ? 基本操作：
? ? 腐蝕，膨脹，開運算，閉運算，禮帽，黑帽，形態學梯度運算

腐蝕

? ? 功能： 消除圖像邊界點，使圖像沿著邊界向內收縮；去除小于指定結構體元素的部分
? ? 原理： 用一個結構元【也被成為核】來逐個像素地掃描圖像，并根據結構元和圖像的關系確定腐蝕結果
? ? 注意：
? ? 只有核處于前景中才會被腐蝕算

函數：
dst = cv2.erode(src,kernel[,anchor[,iterations[,borderType[,borderValue]]]])

參數：
src:[原始圖像]
kernel: [腐蝕操作的結構類型]
anchor: [錨點的位置，默認(-1,-1:只進行一次腐蝕操作)]
borderType: [邊界樣式，默認BORDER_CONSTANT]
borderValue: [邊界值—————————————— ??C++中采用morphologyDefaultBorderValue()來返回magic邊界值]

膨脹

? ? 功能： 對圖像的邊界進行擴張
? ? 原理： 用一個結構元【也被成為核】來逐個像素地掃描圖像，并根據結構元和圖像的關系確定腐蝕結果
? ? 注意：
? ? 處于前景中的結構元的任意一點會被處理為前景色

函數：
dst = cv2.dilate(src,kernel[,anchor[,iterations[,borderType[,borderValue]]]])

參數:
>
src: 原始圖像,圖像深度必須為【CV_8U,CV_16U,CV_16S,CV_32F,CV_64F】

kernel: 膨脹操作的結構類型
anchor: 錨點的位置，默認(-1,-1:只進行一次腐蝕操作)
borderType: 邊界樣式，默認BORDER_CONSTANT
borderValue: [邊界值—————————————— ??C++中采用morphologyDefaultBorderValue()來返回magic邊界值]

通用形態學函數

? ? 原理 將腐蝕和膨脹操作進行組合，組成不同形式的運算

函數： dst = cv2.morphologyEx(src,op,kernel[,anchor[,iterations[,borderType[,borderValue]]]]) 參數： src：原始圖像,圖像深度必須為 CV_8U,CV_16U,CV_16S,CV_32F,CV_64F】 op: 操作類型【如：腐蝕，膨脹，先腐蝕后膨脹】 kernel：膨脹操作的結構類型，可以通過getStructuringElement()生成 anchor：錨點的位置，默認(-1,-1:只進行一次腐蝕操作) borderType: 邊界樣式，默認BORDER_CONSTANT borderValue: [邊界值：C++中采用morphologyDefaultBorderValue()來返回magic邊界值]

通用形態學函數相關運算

原算名稱運算原理OP類型

開運算	原理：先腐蝕再膨脹	cv2.MORPH_OPEN
閉運算	原理：先膨脹再腐蝕	cv2.MORPH_CLOSE
形態學梯度運算	膨脹 - 腐蝕	cv2.MOPRH_GRADIENT
禮帽運算	原始圖像 - 開運算	cv2.MOPRH_TOPHAT
黑帽運算	閉運算 - 原始圖像	cv2.MOPRH_BLACKHAT

代碼及其運行結果

import matplotlib.pyplot as plt #導入模塊 import cv2 import numpy as np# 1：讀取圖片 filename = 'J.bmp'#保存圖片路徑 img = cv2.imread(filename,cv2.IMREAD_UNCHANGED)#加載A通道的方式讀取#2:生成核 kernel = np.ones((5,5),np.uint8) kerne2 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))#3:腐蝕 erosion = cv2.erode(img,kernel,iterations =2) #4:膨脹 drosion = cv2.dilate(img,kerne2,iterations =4) #5:禮帽 brosion = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel) #6:形態學梯度 trosion = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel) #5：將結果存入自定義矩陣 C = np.ones((img.shape[0],img.shape[1],4,5),np.uint8) C[:,:,:,0] = img C[:,:,:,1] = erosion C[:,:,:,2] = drosion C[:,:,:,3] = brosion C[:,:,:,4] = trosion# 6：顯示 T = ("img","erosion","drosion","brosion","trosion") for i in range(5): plt.subplot(3,2,i+1)#將畫布分為兩行四列，當前圖像顯示到第i+1個區塊plt.imshow(C[:,:,0,i],cmap='gray')#把圖像加載到plt畫布中plt.title(T[i])#設置當前圖像標題 plt.show()

運行結果：

（二）圖像梯度

介紹：圖像梯度計算的是圖像變化的速度，一般情況下，計算的是圖像的邊緣信息

原理：嚴格來講，圖像梯度計算需要求導數，但是圖像梯度一般通過計算像素值的差來得到梯度的近似值

基本內容：sobel算子,Scharr算子，Laplacian算子

soble算子

內容介紹

? ? 介紹： sobel算子是一種離散的微分算子，該算子結合了高斯平滑和微分求導運算。
? ? 原理： 利用了局部差尋找邊緣，計算所得的是一個梯度的近似值。
? ? 注意：
? ? 處于前景中的結構元的任意一點會被處理為前景色

函數：
dst = cv2.sobel(src,ddpeth,dx,dy[,Ksize[,scale[,delta[,borderType]]]])

<參數>

【ddpeth】：輸出圖像深度,通常設置為CV_64F，可以避免信息丟失
【dx,dy】： x,y方向上求導階數，一般采取絕對值計算方式，
一般數值為0,1，最大為2
【 Ksize】：Sobel核的大小，當為-1時，使用Scharr算子進行運算
【scale】：縮放因子，默認1【沒有縮放】
【delta】：加在目標圖像上的值，默認為0
【 borderType】：邊界樣式

輔助函數： 參數取絕對值 dst = cv2.convertScaleAbs(src[,alpha[,betal]]) src:原始輸入圖像 alpha:調節系數，默認為1 beta;調節亮度值，默認為0原始圖像轉為256色位圖 dst = saturate(src*alpha+beta) 作用：當src*alpha + beta的值超過255時，取值為255二者相加 dst = cv2.addWeighted(src, alpha,src, beta,gamma)

使用soble獲取完整的水平方向邊緣信息

import cv2 import numpy as np import matplotlib.pyplot as pltimg = cv2.imread('J.bmp',cv2.IMREAD_UNCHANGED)# 2:使用sobel算子 Sx = cv2.Sobel(img,cv2.CV_64F,1,0) Sx = cv2.convertScaleAbs(Sx)# 3：保存至當前文件夾 cv2.imwrite('Sx.jpg',Sx)

運行結果：

使用soble獲取完整的水平，垂直兩個方向邊緣信息

img = cv2.imread('J.bmp',cv2.IMREAD_UNCHANGED) # 2:使用sobel算子 Sx = cv2.Sobel(img,cv2.CV_64F,1,0) Sx = cv2.convertScaleAbs(Sx)Sy = cv2.Sobel(img,cv2.CV_64F,0,1) Sy = cv2.convertScaleAbs(Sy)Sxy = cv2.addWeighted(Sx,0.5,Sy,0.5,0)# 3：保存至當前文件夾 cv2.imwrite("Sxy.jpg",Sxy)

運行結果：

Scharr算子

? ? 介紹： 在使用3*3的sobel算子時，可能計算結果不太精確。所以出現了精度更高的Scharr算子
? ? 核： [[-3,0,3],[-10,0,10],[-3,0,3]]
?? - ?? [[-3,-10,-3],[0,0,0],[3,10,3]]

函數：dst = cv2.Scharr(src,ddpeth,dx,dy[,scale[,delta[,borderType]]]) 【ddpeth】：輸出圖像深度,通常設置為CV_64F，可以避免信息丟失 【dx,dy】:x,y方向上求導階數 【scale】:縮放因子，默認1【沒有縮放】 【delta】:加在目標圖像上的值，默認為0 【borderType】:邊界樣式

使用Scharr獲取完整的水平，垂直兩個方向邊緣信息

運行程序：

import cv2 import numpy as np import matplotlib.pyplot as pltimg = cv2.imread('J.bmp',cv2.IMREAD_UNCHANGED)# 1：稍微處理下圖像 mask = img[:,:,:]>100 img[:,:,:] = 0 img[mask] = 255# 2:使用sobel算子 Sx = cv2.Scharr(img,cv2.CV_64F,1,0) Sx = cv2.convertScaleAbs(Sx)Sy = cv2.Scharr(img,cv2.CV_64F,0,1) Sy = cv2.convertScaleAbs(Sy)Scxy = cv2.addWeighted(Sx,0.5,Sy,0.5,0)# 3：保存至當前文件夾 cv2.imwrite("Scxy.jpg",Scxy)

運行結果：

Laplacian算子

內容介紹

? ? 介紹： 中文【拉普拉斯】算子是一種二階導數算子，其具有旋轉不變性，可以滿足不同方向的圖像邊緣銳化的要求
? ? 核： [[0,1,0],[1,-4,1],[0,1,0]]

函數：cv2.Laplacian(src,ddpeth[,ksize[,scale[,delta[,borderType]]]]) 【ddpeth】：輸出圖像深度,通常設置為CV_64F，可以避免信息丟失 【Ksize】:計算二階導數的核尺寸大小，該值必須是奇數 【scale】:縮放因子，默認1【沒有縮放】 【delta】:加在目標圖像上的值，默認為0 【borderType】:邊界樣式

使用Laplacian獲取完整的水平，垂直兩個方向邊緣信息

運行程序：

import cv2 import numpy as np import matplotlib.pyplot as pltimg = cv2.imread('J.bmp',cv2.IMREAD_UNCHANGED)# 1：稍微處理下圖像 mask = img[:,:,:]>100 img[:,:,:] = 0 img[mask] = 255# 2:使用sobel算子 Lx = cv2.Laplacian(img,cv2.CV_64F) Lx = cv2.convertScaleAbs(Lx)# 3：保存至當前文件夾 cv2.imwrite("Lx.jpg",Lx)

運行結果：

總結

以上是生活随笔為你收集整理的openCV专栏(五)：形态学操作+梯度算子的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。