一. 滤波 / 卷积操作
在每个图像位置(x,y)上进行基于邻域的函数计算，其中函数参数被称为卷积核 (kernel)
- kernel核的尺寸通常为奇数，一般为: 3 ∗ 3 、 5 ∗ 5 、 7 ∗ 7 3*3、5*5、7*7 3∗3、5∗5、7∗7
不同功能需要定义不同的函数，其中功能可以有：
-
图像增强：
平滑 / 去噪
梯度 / 锐化 -
特征提取、检测：
边缘 / 显著点
卷积语法 dst = cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) 参数： src：输入图像 ddepth：输出图像的深度，当其值为-1时，输出图像与输入图像具有相同的深度 kernel：卷积核，用于计算每个像素值的矩阵 dst： 输出图像（可选参数） 如果未提供，则会创建一个新的图像 anchor： 卷积核的锚点 默认值为(-1, -1)，表示锚点位于卷积核的中心 delta： 在将结果存储到输出图像之前，将添加到每个像素的值（可选参数），默认为0 borderType： 像素外推方法（可选参数） 用于指定当卷积核超出图像边界时如何处理边界像素
1. 平滑均值滤波/卷积
kernel核中的参数和为1，所有参数值全部一样
属于线性滤波技术
适用场景：
适合于去除图像中的随机噪声
适用于消除高斯噪声和相机失真
可用于提取较大目标前过滤掉较小的细节或将目标内的小间断连接起来
作用：
通过降低图像中的高频分量，减少噪声
图像整体显得更加平滑
可能会牺牲一些图像细节
2. 平滑中值滤波/卷积
kernel核有固定的大小，没有固定的值
属于非线性滤波方法
适用场景：
有效去除椒盐噪声
操作原理：
将卷积域内的所有像素值从小到大排序
获取中间值作为卷积的输出值
作用：
消除图像中的孤立噪声点
去除噪声的同时保留图像的边缘特征：不依赖于像素点的具体数值，而是取决于它们的相对排序
cv2.medianBlur(src, ksize[, dst])
参数：
src：输入图像，通常为一个二维的灰度图像
ksize：一个奇数整数，表示滤波器的大小
dst（可选）：输出图像，与输入图像具有相同的大小和类型
3. 平滑高斯滤波/卷积
G σ = 1 2 π σ 2 e − ( x 2 + y 2 ) 2 σ 2 G_{\sigma}=\frac{1}{2 \pi \sigma^{2}} e^{-\frac{\left(x^{2}+y^{2}\right)}{2 \sigma^{2}}} Gσ=2πσ21e−2σ2(x2+y2)
可以有效去除高斯噪声
线性平滑技术
cv2.GaussianBlur(src, ksize, sigmaX[, sigmaY[, borderType]])
参数：
src：原始图像
ksize：滤波核的大小，滤波核的值必须是奇数
sigmaX：
卷积核在水平方向上（X轴方向）的标准差，控制权重比例
sigmaY：
卷积核在垂直方向上（Y轴方向）的标准差，控制权重比例
如果sigmaY参数未指定，则其值将默认与sigmaX相同
borderType：边界类型，用于指定图像边界的处理方法
3.1 关注区域
平滑高斯滤波模拟人眼，关注中心区域
平滑高斯滤波/卷积
• σ σ σ越小，关注区域越小
• σ σ σ越大，图片整体越模糊
3.2 分解特性
G σ ( x , y ) = 1 2 π σ 2 exp − x 2 + y 2 2 σ 2 = ( 1 2 π σ exp − x 2 2 σ 2 ) ( 1 2 π σ exp − y 2 2 σ 2 ) G_{\sigma}(x, y)=\frac{1}{2 \pi \sigma^{2}} \exp -\frac{x^{2}+y^{2}}{2 \sigma^{2}}=\left(\frac{1}{\sqrt{2 \pi} \sigma} \exp ^{-\frac{x^{2}}{2 \sigma^{2}}}\right)\left(\frac{1}{\sqrt{2 \pi} \sigma} \exp ^{-\frac{y^{2}}{2 \sigma^{2}}}\right) Gσ(x,y)=2πσ21exp−2σ2x2+y2=(2πσ1exp−2σ2x2)(2πσ1exp−2σ2y2)
分解特性（级联高斯）
2D卷积拆分为两个相同的1D卷积
列卷积
行卷积
降低计算
2D卷积：K^2次计算
1D卷积：2K次计算
二. 形态学变换
cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
参数：
src：源图像，必须是单通道的灰度图像
op：形态学操作的类型，包括：
cv2.MORPH_ERODE（腐蚀）
cv2.MORPH_DILATE（膨胀）
cv2.MORPH_OPEN（开运算）
cv2.MORPH_CLOSE（闭运算）
cv.MORPH_GRADIENT (形态梯度/边缘特征)
cv.MORPH_TOPHAT（提取非交叉点的信息）
kernel：结构元素，用于指定形态学操作的邻域形状和大小
通常是一种特殊的形状，如线条、矩形、圆形等
anchor：结构元素的锚点，默认值为Point(-1, -1)，表示锚点位于结构元素的中心
iterations：操作的迭代次数，默认值为1
borderType：像素外推法的类型，默认为cv2.BORDER_CONSTANT
borderValue：当使用cv2.BORDER_CONSTANT像素外推法时，此参数表示边界值，默认值为morphologyDefaultBorderValue()
作用：
根据指定的操作类型和结构元素对输入图像进行相应的形态学处理
1. 常用核
cv2.getStructuringElement(shape, ksize[, anchor])
参数：
shape：
结构元素的形状，可以是以下值之一
cv2.MORPH_RECT（矩形）
cv2.MORPH_ELLIPSE（椭圆）
cv2.MORPH_CROSS（十字形）
ksize：结构元素的大小，表示为一个元组
anchor（可选）：
结构元素的锚点，表示为一个元组
作用：
生成指定形状和大小的结构元素，结构元素通常用于形态学操作，如腐蚀、膨胀、开运算和闭运算等
2. cv.erode ( ) 腐蚀操作
cv.erode(src, kernel[, iterations])
参数：
src：表示输入图像；
通道数不限
深度必须是CV_8U，即8位无符号整数类型的单通道图像
kernel：表示结构元素，通常是一个二维矩阵，用于确定腐蚀操作过程中邻域的形状
腐蚀操作中，会选择卷积核中非0元素所覆盖区域中的最小值，作为输出图像（dst）中的像素值
iterations：表示腐蚀操作的迭代次数，默认值为1
多次迭代会使得腐蚀效果更加显著。
操作：在图像(x,y)像素点的邻域中，选择像素最小值作为像素点(x,y)的像素值，即最小值滤波/卷积
作用：消除物体的边界点，使边界向内收缩，常用于去除小的物体或连接两个有细小连通的物体
3. cv.dilate ( ) 膨胀操作
cv.dilate(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
参数：
src：输入图像，通常为二值图像
kernel：膨胀操作所使用的结构元素
可以使用cv2.getStructuringElement()函数生成
dst：输出图像，与输入图像大小和类型相同
anchor：
结构元素的锚点
默认值为(-1, -1)，表示锚点位于结构元素的中心
iterations：膨胀操作的迭代次数，默认值为1
borderType：边界处理类型，默认值为cv2.BORDER_CONSTANT
borderValue：边界处理时使用的常数值，默认值为0
操作：
在图像(x,y)像素点的邻域中，选择像素最大值作为像素点(x,y)的像素值，即最大值滤波/卷积
作用:
扩大图像中的白色区域（前景），从而消除一些小的黑色区域（背景）
膨胀操作通常用于去除噪声、连接相邻物体等
4. Open 操作
方式1：
cv2.morphologyEx( )
方式2：
cv.erode( ) + cv.dilate( )
作用：
先腐蚀后膨胀
5. Close 操作
方式1：
cv2.morphologyEx( )
方式2：
cv.dilate( ) + cv.erode( )
作用：
先膨胀后腐蚀
6. Morphological Gradient 形态梯度操作
cv.morphologyEx(img, op=cv.MORPH_GRADIENT, kernel=kernel, iterations=1)cv.morphologyEx( )
7. Top Hat 获取非交叉点特征 操作
cv.morphologyEx(img, op=cv.MORPH_TOPHAT, kernel=kernel, iterations=1)
8. Black Hat 获取交叉点特征 操作
cv.morphologyEx(img, op=cv.MORPH_BLACKHAT, kernel=kernel, iterations=1)
感谢阅读🌼
如果喜欢这篇文章，记得点赞👍和转发🔄哦！
有任何想法或问题，欢迎留言交流💬，我们下次见！
本文相关代码存放位置
【】文章来源：https://www.toymoban.com/news/detail-856294.html
祝愉快🌟！文章来源地址https://www.toymoban.com/news/detail-856294.html
到了这里，关于Opencv | 图像卷积与形态学变换操作的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
