图像预处理方法-Toy模板网

这篇具有很好参考价值的文章主要介绍了图像预处理方法。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

图像预处理

膨胀腐蚀概述

两个基本的形态学操作是腐和膨胀。他们的变体构成了开运算，闭运算，梯度等。
根据卷积核的大小前景的所有像素会腐掉变为 0 ，所以前景物体会变小整幅图像的白色区域会减少。
对于去除白噪声很有用也可以用来断开两个在一块的物体等。

函数原型:

cv2.dilate(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

⚫src: 输入原图像(建议为二值图)
⚫dst: 输出图像要求和src一样的尺寸和类型
⚫kernel: 膨胀操作的核, 当为NULL时, 表示使用参考点位于中心的3x3的核
⚫anchor: 锚的位置, 默认值Point(-1,-1), 表示位于中心
⚫interations: 膨胀的次数
⚫borderType: 边界模式, 一般采用默认值
⚫borderValue: 边界值, 一般采用默认值

代码示例：
import cv2
import numpy as np

img = cv2.imread(‘…/datas/snowqueen.png’, 0)
cv2.imshow(‘j.png’, img)
print(img.shape)

kernel = np.ones((7, 7), np.uint8)
kernel17 = np.ones((1, 7), np.uint8)
kernel71 = np.ones((7, 1), np.uint8)
dilation = cv2.dilate(img, kernel, iterations=1)
dilation17 = cv2.dilate(img, kernel17, iterations=1)
dilation71 = cv2.dilate(img, kernel71, iterations=1)
cv2.imshow(‘dilation’, np.hstack([img, dilation, dilation17, dilation71]))
cv2.moveWindow(‘dilation’, x=img.shape[1], y=0)

cv2.waitKey(0)
cv2.destroyAllWindows()

import cv2
import numpy as np

img = cv2.imread('../datas/snowqueen.png', 0)
cv2.imshow('j.png', img)
print(img.shape)

kernel = np.ones((7, 7), np.uint8)
kernel17 = np.ones((1, 7), np.uint8)
kernel71 = np.ones((7, 1), np.uint8)
dilation = cv2.dilate(img, kernel, iterations=1)
dilation17 = cv2.dilate(img, kernel17, iterations=1)
dilation71 = cv2.dilate(img, kernel71, iterations=1)
cv2.imshow('dilation', np.hstack([img, dilation, dilation17, dilation71]))
cv2.moveWindow('dilation', x=img.shape[1], y=0)

cv2.waitKey(0)
cv2.destroyAllWindows()

原图：
图像预处理方法
效果图：

2)腐蚀—cv2.erode()

与腐蚀相反与卷积核对应的原图像的像素值中只有一个是 1 中心元素的像素值就是 1。所以该操作会增加图像中的白色区域前景。一般在去噪声时先用腐再用膨胀。因为腐在去掉白噪声的同时也会使前景对变小。所以我们再对他膨胀。时噪声已经去了不会再回来了但是前景在并会增加。膨胀也可以用来接两个分开的物体。

函数原型:

cv2.erode(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

代码示例：

import cv2
import numpy as np

img = cv2.imread(‘…/datas/snowqueen.png’, 0)
cv2.imshow(‘j.png’, img)
print(img.shape)

#您可以将内核看作是一个小矩阵，我们在图像上滑动以进行（卷积）操作，例如模糊，锐化，边缘检测或其他图像处理操作。
kernel = np.ones((5, 5), np.uint8)
#cv2.getStructuringElement(shape, ksize)

erosion = cv2.erode(img, kernel, iterations=1)
dilation = cv2.dilate(img, kernel, iterations=1)
print(img.shape, erosion.shape, dilation.shape)
cv2.imshow(‘erode’, np.hstack([img, erosion, dilation]))
cv2.moveWindow(‘erode’, x=img.shape[1], y=0)

cv2.waitKey(0)
cv2.destroyAllWindows()


import cv2
import numpy as np

img = cv2.imread('../datas/snowqueen.png', 0)
cv2.imshow('j.png', img)
print(img.shape)

#您可以将内核看作是一个小矩阵，我们在图像上滑动以进行（卷积）操作，例如模糊，锐化，边缘检测或其他图像处理操作。
kernel = np.ones((5, 5), np.uint8)
# cv2.getStructuringElement(shape, ksize)

erosion = cv2.erode(img, kernel, iterations=1)
dilation = cv2.dilate(img, kernel, iterations=1)
print(img.shape, erosion.shape, dilation.shape)
cv2.imshow('erode', np.hstack([img, erosion, dilation]))
cv2.moveWindow('erode', x=img.shape[1], y=0)

cv2.waitKey(0)
cv2.destroyAllWindows()

图像预处理方法

形态学其他操作:

开运算、闭运算、顶帽、黒帽、形态学梯度

核心函数:

cv2.morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

⚫src: 输入原图像
⚫dst: 输出图像要求和src一样的尺寸和类型
⚫op: 表示形态学运算的类型, 可以取如下值:

CV2 .MORPH DILATE
CV2 .MORPH OPEN # 开运算
CV2 .MORPH_ TOPHAT #顶帽
CV2 .MORPH_ ERODE
CV2.MORPH CLOSE #闭运算
CV2 .MORPH BLACKHAT #黒帽
CV2.MORPH_ GRADIENT #形态学梯度
⚫kernel: 形态学运算内核, 若为NULL, 表示使用参考点位于中心的3x3内核, 一般使用getStruecuringElement函数获得
⚫anchor: 锚的位置, 默认值Point(-1,-1), 表示位于中心
⚫interations: 迭代使用函数的次数, 默认为1
⚫borderType: 边界模式, 一般采用默认值
⚫borderValue: 边界值, 一般采用默认值