opencv膨胀算法

‘壹’ 图像膨胀腐蚀算法原理

膨胀和腐蚀的主要用途：
消除噪声；
分割出独立的图像元素，在图像中连接相邻的元素；
寻找图像中明显的极大值或极小值区；
求出图像的梯度；
【注】：
腐蚀和膨胀是对像素值大的部分而言的，即高亮白部分而不是黑色部分；
膨胀是图像中的高亮部分进行膨胀，领域扩张，效果图拥有比原图更大的高亮区域；
腐蚀是图像中的高亮部分被腐蚀掉，领域缩减，效果图拥有比原图更小的高亮区域；
2
/9
膨胀原理：
膨胀：求局部最大值；
①定义一个卷积核B，
核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点(anchorpoint)；
通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜；
②将核B与图像A进行卷积，计算核B覆盖区域的像素点最大值；
③将这个最大值赋值给参考点指定的像素；
因此，图像中的高亮区域逐渐增长。
3
/9
腐蚀原理：
腐蚀：局部最小值(与膨胀相反)；
①定义一个卷积核B，
核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点(anchorpoint)；
通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜；
②将核B与图像A进行卷积，计算核B覆盖区域的像素点最小值；
③将这个最小值赋值给参考点指定的像素；
因此，图像中的高亮区域逐渐减小。
4
/9
OpenCV中膨胀函数-dilate()
格式：
void dilate(
InputArray src,//输入
OutputArray dst, //输出
InputArray kernel, //核大小
Point anchor=Point(-1,-1),// 锚位置，(-1，-1)为中心
int iterations=1, //迭代次数
int borderType=BORDER_CONSTANT,//图像边界像素模式
const Scalar& borderValue=morphologyDefaultBorderValue()//边界值
)
【注】：
关于核，一般配合getStructuringElement()使用；
getStructuringElement()：返回指定形状和尺寸的结构元素；
格式：
getStructuringElement(int shape, Size ksize, Point anchor=Point(-1,-1));
参数：
shape：表核的形状，矩形MORPH_RECT;交叉形MORPH_CROSS;椭圆形MORPH_ELLIPSE;
ksize:核尺寸大小；
anchor：锚点的位置，锚点只影响形态学运算结果的偏移；
5
/9
OpenCV中腐蚀函数-erode()
格式：
void erode(
InputArray src,//输入
OutputArray dst, //输出
InputArray kernel, //核大小
Point anchor=Point(-1,-1),// 锚位置，(-1，-1)为中心
int iterations=1, //迭代次数
int borderType=BORDER_CONSTANT,//图像边界像素模式
const Scalar& borderValue=morphologyDefaultBorderValue()//边界值
)
6
/9
形态学开运算：
开运算(Open Operation)：先腐蚀后膨胀的过程；
功能：
消除小物体；
在纤细处分离物体；
平滑较大的边界并不明显改变其面积；
7
/9
形态学闭运算：
闭运算(Closing Openration),先膨胀后腐蚀；
功能：
排除小型黑洞(黑斑)；
8
/9
OpenCV：morphologyEx()
功能：morphologyEx函数利用基本的膨胀和腐蚀技术，来执行更加高级形态学变换，
如开闭运算，形态学梯度，“顶帽”、“黑帽”等等。

‘贰’ 数字图像处理(c++ opencv)：形态学图像处理-图像膨胀

在数字图像处理的世界中，C++与OpenCV的结合为我们提供了强大的工具，特别是形态学操作，如图像膨胀。其核心目标是增强图像中的目标或连接它们，使它们在视觉上更为明显。

膨胀操作的关键在于结构元，一个白色的像素模板，它会在图像中移动并替换其周围与结构元相匹配的像素。这导致了一个有趣的现象：对于白色背景，膨胀会让黑色目标区域变小，反之，对于黑色背景，白色目标区域会扩大。这本质上是由于结构元的白色像素会扩张图像中的白色区域，而黑色区域会受到腐蚀。

要实现图像膨胀，首先需要调用getStructuringElement函数来创建结构元，它接受多个参数如形状、大小等。然后，dilate函数是实际进行膨胀操作的函数，它接收图像数据、结构元、迭代次数等参数。通过这两个函数，我们可以灵活地控制膨胀的强度和效果。

‘叁’ python中开闭运算函数

在Python中，开运算和闭运算通常使用OpenCV库中的morphologyEx函数来实现。

开运算：

• 定义：开运算是先进行腐蚀操作，再进行膨胀操作的过程。
• 作用：主要用于去除图像中的小噪声点，同时保留大部分的前景物体。这种操作有助于分离物体，消除小物体，以及在纤细点处分离物体。
• 实现：在OpenCV中，开运算可以通过调用morphologyEx函数，并将第二个参数设置为cv2.MORPH_OPEN来实现。此外，还需要提供原图像src和卷积核kernel，卷积核的大小和形状会影响形态学运算的效果。

闭运算：

• 定义：闭运算是先进行膨胀操作，再进行腐蚀操作的过程。
• 作用：主要用于填充图像中的小孔洞，连接断开的物体，以及平滑物体的边界。这种操作有助于消除小的黑洞（即前景中的黑色区域），以及连接邻近的对象。
• 实现：在OpenCV中，闭运算同样可以通过调用morphologyEx函数来实现，此时第二个参数应设置为cv2.MORPH_CLOSE。同样地，需要提供原图像src和卷积核kernel。

总结：

• 开运算和闭运算是图像处理中常用的形态学操作，它们通过不同的顺序组合腐蚀和膨胀操作来实现特定的图像处理效果。
• 在Python中，这些操作可以通过OpenCV库中的morphologyEx函数来方便地实现，只需设置相应的参数即可。
• 卷积核的大小和形状对于形态学运算的效果具有重要影响，因此在实际应用中需要根据具体需求进行选择和调整。

‘肆’ 图像处理知识汇总（一）

图像处理知识汇总：

1. 图像滤波：

   • 定义：在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制。
   • 平滑：也称模糊，是简单且常用的一种图像处理方法，主要用于减弱噪声。

2. 线性滤波器：

   • 低通滤波器：允许低频通过。
   • 高通滤波器：允许高频通过。
   • 带通滤波器：允许一定范围的频率通过。
   • 带阻滤波器：允许一定范围的频率通过并阻止其他频率。
   • 全通滤波器：允许所有频率通过，仅改变相位。
   • 陷波滤波器：阻止一个狭窄频率范围通过。

3. 线性滤波与非线性滤波：

   • 线性滤波：方框滤波、均值滤波、高斯滤波。
     • 方框滤波：每个输出像素是内核邻域像素值的平均值得到。
     • 均值滤波：用均值代替原图像中的各个像素值。
     • 高斯滤波：适用于消除高斯噪声，广泛应用于图像处理的减噪过程。
   • 非线性滤波：中值滤波、双边滤波。
     • 中值滤波：用像素点邻域灰度值的中值代替该像素点的灰度值，常用于去除椒盐噪声。
     • 双边滤波：结合图像的空间邻近度和像素值相似度的一种折衷处理。

4. 其他滤波器：

   • 维纳滤波：自适应最小均方差滤波器，基于图像和噪声各自相关的相关矩阵。

5. 边缘检测：

   • 目的：找到图像中亮度变化剧烈的像素点构成的集合，表现为轮廓。
   • 边缘检测算子：Roberts Cross算子、Prewitt算子、Sobel算子、Canny算子、罗盘算子、Laplacian算子、MarrHildreth等。
   • 传统算法步骤：滤波、增强、提取边缘。
   • Sobel算子：结合高斯平滑和微分求导，计算图像灰度函数的近似梯度。
   • Canny边缘检测：John Canny在1986年提出的多阶段算法。

6. 特征提取与匹配：

   • SIFT：尺度不变特征变换，检测、描述和匹配图像局部特征点的方法，保持旋转不变性。
   • SURF：加速鲁棒特征，用于检测、描述、匹配图像局部特征点的特征描述子。
   • LBP特征：局部二值模式，描述图像局部纹理特征的算子。
   • HOG特征：方向梯度直方图，用于进行物体检测的特征描述子。
   • 常用特征检测算法：FAST、STAR、SIFT、SURF、ORB等。

7. 形态学操作：

   • 膨胀：图像中的高亮部分进行膨胀。
   • 腐蚀：原图中的高亮部分被腐蚀。
   • 开运算：先腐蚀后膨胀，用于消除小物体、分离物体、平滑较大物体的边界。
   • 闭运算：先膨胀后腐蚀，排除小型黑洞。
   • 形态学梯度：膨胀图与腐蚀图之差，用于保留物体的边缘轮廓。
   • 顶帽运算：原图像与开运算的结果图之差，用于分离比临近点亮一些的斑块。
   • 黑帽运算：闭运算结果图与原图像之差，用于分离比邻近点暗一些的斑块。

8. 其他图像处理技术：

   • 漫水填充法：用特定的颜色填充算法填充连通区域，用于标记或分离图像的一部分进行处理或分析。
   • 仿射变换：线性变换和平移的组合，保持了二维图形的平直性和平行性。
   • 图像金字塔：包括高斯金字塔和拉普拉斯金字塔。
   • 凸包：将最外层的点连接起来构成的凸多边形，用于理解物体形状或轮廓。
   • 反向投影：记录给定图像中的像素点如何适应直方图模型像素分布的方式。
   • Harris角点检测算法：直接基于灰度图像的角点提取算法，稳定性高。
   • 分水岭算法：图像区域分割法，将跟临近像素间的相似性作为重要的参考依据。

9. OpenCV相关：

   • 主要模块：包括Core、图像滤波、几何图像变换、混合图像变换、直方图、结构分析及形状描述、运动分析及目标跟踪、特征及目标检测等。
   • 数据类型：如CV_8UC3表示8位无符号整型，3个通道。
   • Scalar类：表示具有4个元素的数组，用于传递像素值。
   • 文件扩展：.hpp将实现代码混入.h头文件，无需单独编译。

以上内容涵盖了图像处理中的基础概念、滤波方法、边缘检测、特征提取与匹配、形态学操作以及其他相关技术，并简要介绍了OpenCV的一些基本内容。