opencv膨脹演算法

『壹』 圖像膨脹腐蝕演算法原理

膨脹和腐蝕的主要用途：
消除雜訊；
分割出獨立的圖像元素，在圖像中連接相鄰的元素；
尋找圖像中明顯的極大值或極小值區；
求出圖像的梯度；
【注】：
腐蝕和膨脹是對像素值大的部分而言的，即高亮白部分而不是黑色部分；
膨脹是圖像中的高亮部分進行膨脹，領域擴張，效果圖擁有比原圖更大的高亮區域；
腐蝕是圖像中的高亮部分被腐蝕掉，領域縮減，效果圖擁有比原圖更小的高亮區域；
2
/9
膨脹原理：
膨脹：求局部最大值；
①定義一個卷積核B，
核可以是任何的形狀和大小，且擁有一個單獨定義出來的參考點-錨點(anchorpoint)；
通常和為帶參考點的正方形或者圓盤，可將核稱為模板或掩膜；
②將核B與圖像A進行卷積，計算核B覆蓋區域的像素點最大值；
③將這個最大值賦值給參考點指定的像素；
因此，圖像中的高亮區域逐漸增長。
3
/9
腐蝕原理：
腐蝕：局部最小值(與膨脹相反)；
①定義一個卷積核B，
核可以是任何的形狀和大小，且擁有一個單獨定義出來的參考點-錨點(anchorpoint)；
通常和為帶參考點的正方形或者圓盤，可將核稱為模板或掩膜；
②將核B與圖像A進行卷積，計算核B覆蓋區域的像素點最小值；
③將這個最小值賦值給參考點指定的像素；
因此，圖像中的高亮區域逐漸減小。
4
/9
OpenCV中膨脹函數-dilate()
格式：
void dilate(
InputArray src,//輸入
OutputArray dst, //輸出
InputArray kernel, //核大小
Point anchor=Point(-1,-1),// 錨位置，(-1，-1)為中心
int iterations=1, //迭代次數
int borderType=BORDER_CONSTANT,//圖像邊界像素模式
const Scalar& borderValue=morphologyDefaultBorderValue()//邊界值
)
【注】：
關於核，一般配合getStructuringElement()使用；
getStructuringElement()：返回指定形狀和尺寸的結構元素；
格式：
getStructuringElement(int shape, Size ksize, Point anchor=Point(-1,-1));
參數：
shape：表核的形狀，矩形MORPH_RECT;交叉形MORPH_CROSS;橢圓形MORPH_ELLIPSE;
ksize:核尺寸大小；
anchor：錨點的位置，錨點隻影響形態學運算結果的偏移；
5
/9
OpenCV中腐蝕函數-erode()
格式：
void erode(
InputArray src,//輸入
OutputArray dst, //輸出
InputArray kernel, //核大小
Point anchor=Point(-1,-1),// 錨位置，(-1，-1)為中心
int iterations=1, //迭代次數
int borderType=BORDER_CONSTANT,//圖像邊界像素模式
const Scalar& borderValue=morphologyDefaultBorderValue()//邊界值
)
6
/9
形態學開運算：
開運算(Open Operation)：先腐蝕後膨脹的過程；
功能：
消除小物體；
在纖細處分離物體；
平滑較大的邊界並不明顯改變其面積；
7
/9
形態學閉運算：
閉運算(Closing Openration),先膨脹後腐蝕；
功能：
排除小型黑洞(黑斑)；
8
/9
OpenCV：morphologyEx()
功能：morphologyEx函數利用基本的膨脹和腐蝕技術，來執行更加高級形態學變換，
如開閉運算，形態學梯度，「頂帽」、「黑帽」等等。

『貳』 數字圖像處理(c++ opencv)：形態學圖像處理-圖像膨脹

在數字圖像處理的世界中，C++與OpenCV的結合為我們提供了強大的工具，特別是形態學操作，如圖像膨脹。其核心目標是增強圖像中的目標或連接它們，使它們在視覺上更為明顯。

膨脹操作的關鍵在於結構元，一個白色的像素模板，它會在圖像中移動並替換其周圍與結構元相匹配的像素。這導致了一個有趣的現象：對於白色背景，膨脹會讓黑色目標區域變小，反之，對於黑色背景，白色目標區域會擴大。這本質上是由於結構元的白色像素會擴張圖像中的白色區域，而黑色區域會受到腐蝕。

要實現圖像膨脹，首先需要調用getStructuringElement函數來創建結構元，它接受多個參數如形狀、大小等。然後，dilate函數是實際進行膨脹操作的函數，它接收圖像數據、結構元、迭代次數等參數。通過這兩個函數，我們可以靈活地控制膨脹的強度和效果。

『叄』 python中開閉運算函數

在Python中，開運算和閉運算通常使用OpenCV庫中的morphologyEx函數來實現。

開運算：

• 定義：開運算是先進行腐蝕操作，再進行膨脹操作的過程。
• 作用：主要用於去除圖像中的小雜訊點，同時保留大部分的前景物體。這種操作有助於分離物體，消除小物體，以及在纖細點處分離物體。
• 實現：在OpenCV中，開運算可以通過調用morphologyEx函數，並將第二個參數設置為cv2.MORPH_OPEN來實現。此外，還需要提供原圖像src和卷積核kernel，卷積核的大小和形狀會影響形態學運算的效果。

閉運算：

• 定義：閉運算是先進行膨脹操作，再進行腐蝕操作的過程。
• 作用：主要用於填充圖像中的小孔洞，連接斷開的物體，以及平滑物體的邊界。這種操作有助於消除小的黑洞（即前景中的黑色區域），以及連接鄰近的對象。
• 實現：在OpenCV中，閉運算同樣可以通過調用morphologyEx函數來實現，此時第二個參數應設置為cv2.MORPH_CLOSE。同樣地，需要提供原圖像src和卷積核kernel。

總結：

• 開運算和閉運算是圖像處理中常用的形態學操作，它們通過不同的順序組合腐蝕和膨脹操作來實現特定的圖像處理效果。
• 在Python中，這些操作可以通過OpenCV庫中的morphologyEx函數來方便地實現，只需設置相應的參數即可。
• 卷積核的大小和形狀對於形態學運算的效果具有重要影響，因此在實際應用中需要根據具體需求進行選擇和調整。

『肆』 圖像處理知識匯總（一）

圖像處理知識匯總：

1. 圖像濾波：

   • 定義：在盡量保留圖像細節特徵的條件下對目標圖像的雜訊進行抑制。
   • 平滑：也稱模糊，是簡單且常用的一種圖像處理方法，主要用於減弱雜訊。

2. 線性濾波器：

   • 低通濾波器：允許低頻通過。
   • 高通濾波器：允許高頻通過。
   • 帶通濾波器：允許一定范圍的頻率通過。
   • 帶阻濾波器：允許一定范圍的頻率通過並阻止其他頻率。
   • 全通濾波器：允許所有頻率通過，僅改變相位。
   • 陷波濾波器：阻止一個狹窄頻率范圍通過。

3. 線性濾波與非線性濾波：

   • 線性濾波：方框濾波、均值濾波、高斯濾波。
     • 方框濾波：每個輸出像素是內核鄰域像素值的平均值得到。
     • 均值濾波：用均值代替原圖像中的各個像素值。
     • 高斯濾波：適用於消除高斯雜訊，廣泛應用於圖像處理的減噪過程。
   • 非線性濾波：中值濾波、雙邊濾波。
     • 中值濾波：用像素點鄰域灰度值的中值代替該像素點的灰度值，常用於去除椒鹽雜訊。
     • 雙邊濾波：結合圖像的空間鄰近度和像素值相似度的一種折衷處理。

4. 其他濾波器：

   • 維納濾波：自適應最小均方差濾波器，基於圖像和雜訊各自相關的相關矩陣。

5. 邊緣檢測：

   • 目的：找到圖像中亮度變化劇烈的像素點構成的集合，表現為輪廓。
   • 邊緣檢測運算元：Roberts Cross運算元、Prewitt運算元、Sobel運算元、Canny運算元、羅盤運算元、Laplacian運算元、MarrHildreth等。
   • 傳統演算法步驟：濾波、增強、提取邊緣。
   • Sobel運算元：結合高斯平滑和微分求導，計算圖像灰度函數的近似梯度。
   • Canny邊緣檢測：John Canny在1986年提出的多階段演算法。

6. 特徵提取與匹配：

   • SIFT：尺度不變特徵變換，檢測、描述和匹配圖像局部特徵點的方法，保持旋轉不變性。
   • SURF：加速魯棒特徵，用於檢測、描述、匹配圖像局部特徵點的特徵描述子。
   • LBP特徵：局部二值模式，描述圖像局部紋理特徵的運算元。
   • HOG特徵：方向梯度直方圖，用於進行物體檢測的特徵描述子。
   • 常用特徵檢測演算法：FAST、STAR、SIFT、SURF、ORB等。

7. 形態學操作：

   • 膨脹：圖像中的高亮部分進行膨脹。
   • 腐蝕：原圖中的高亮部分被腐蝕。
   • 開運算：先腐蝕後膨脹，用於消除小物體、分離物體、平滑較大物體的邊界。
   • 閉運算：先膨脹後腐蝕，排除小型黑洞。
   • 形態學梯度：膨脹圖與腐蝕圖之差，用於保留物體的邊緣輪廓。
   • 頂帽運算：原圖像與開運算的結果圖之差，用於分離比臨近點亮一些的斑塊。
   • 黑帽運算：閉運算結果圖與原圖像之差，用於分離比鄰近點暗一些的斑塊。

8. 其他圖像處理技術：

   • 漫水填充法：用特定的顏色填充演算法填充連通區域，用於標記或分離圖像的一部分進行處理或分析。
   • 仿射變換：線性變換和平移的組合，保持了二維圖形的平直性和平行性。
   • 圖像金字塔：包括高斯金字塔和拉普拉斯金字塔。
   • 凸包：將最外層的點連接起來構成的凸多邊形，用於理解物體形狀或輪廓。
   • 反向投影：記錄給定圖像中的像素點如何適應直方圖模型像素分布的方式。
   • Harris角點檢測演算法：直接基於灰度圖像的角點提取演算法，穩定性高。
   • 分水嶺演算法：圖像區域分割法，將跟臨近像素間的相似性作為重要的參考依據。

9. OpenCV相關：

   • 主要模塊：包括Core、圖像濾波、幾何圖像變換、混合圖像變換、直方圖、結構分析及形狀描述、運動分析及目標跟蹤、特徵及目標檢測等。
   • 數據類型：如CV_8UC3表示8位無符號整型，3個通道。
   • Scalar類：表示具有4個元素的數組，用於傳遞像素值。
   • 文件擴展：.hpp將實現代碼混入.h頭文件，無需單獨編譯。

以上內容涵蓋了圖像處理中的基礎概念、濾波方法、邊緣檢測、特徵提取與匹配、形態學操作以及其他相關技術，並簡要介紹了OpenCV的一些基本內容。