25.消除不相关的细节/裂缝桥接-OpenCV从零开始到图像识别系列

本文作者:小嗷

微信公众号:aoxiaoji

简书链接:https://www.jianshu.com/u/45da1fbce7d0

本文你会找到以下问题的答案:

形态学概述

膨胀

腐蚀

膨胀与腐蚀数学原理

2.1 形态学概述

形态学(morphology)一词通常表示生物学的一个分支,该分支主要研究动植物的形态和结构。而我们图像处理中指的形态学,往往表示的是数学形态学。下面一起来了解数学形态学的概念。

数学形态学(Mathematical morphology) 是一门建立在格论和拓扑学基础之上的图像分析学科,是数学形态学图像处理的基本理论。其基本的运算包括:二值腐蚀和膨胀、二值开闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换、灰值腐蚀和膨胀、灰值开闭运算、灰值形态学梯度等。

简单来讲,形态学操作就是基于形状的一系列图像处理操作。OpenCV为进行图像的形态学变换提供了快捷、方便的函数。最基本的形态学操作有二种,他们是:膨胀与腐蚀(Dilation与Erosion)。

2.2 膨胀与腐蚀的功能:

膨胀与腐蚀能实现多种多样的功能,主要如下:

消除噪声

分割(isolate)出独立的图像元素,在图像中连接(join)相邻的元素。

寻找图像中的明显的极大值区域或极小值区域

求出图像的梯度

2.3 膨胀与腐蚀应用

腐蚀的最简单的应用是从图中消除不相关的细节,而膨胀的最简单的应用是将裂缝桥接起来。

2.4 实现效果

膨胀是图像中的高亮部分进行膨胀,类似于“领域扩张”,效果图拥有比原图更大的高亮区域。

腐蚀是原图中的高亮部分被腐蚀,类似于“领域被蚕食”

2.5 腐蚀

腐蚀就是求局部最小值的操作。

核可以是任何的形状和大小,它拥有一个单独定义出来的参考点,我们称其为锚点(anchorpoint)。多数情况下,核是一个小的中间带有参考点和实心正方形或者圆盘,其实,我们可以把核视为模板或者掩码。

星星位置锚点,B为核(专业点称为结构元素(structure element))

按数学方面来说,腐蚀操作就是将图像(或图像的一部分区域,我们称之为A)与核(我们称之为B)进行卷积。

2.5.1 那么问题来,到底怎么卷积?小嗷一开始,看这个图就蒙了

反过来在看看第17篇

65 x 0.1+98 x 0.1+123 x 0.1+65 x 0.1+96 x 0.2 + 115 x0.1 + 63 x 0.1 + 91 x 0.1 + 107 x 0.1 = 91.9约等于92(不知道我有没有算错,算错告诉小嗷公众号或者QQ什么回一声,谢谢)

这时,你就比较理解上面小嗷为啥加这加那的操作等于91.9

即:对应的点,想乘后。再加在一起

实际运算如下:

小嗷想那么腐蚀的卷积也是这样吗?

如果是这样,对应的点,想乘后。再加在一起。

显然,结果就不是腐蚀。

那么,腐蚀的卷积是什么?

答案:对应的点,想乘后,在取它局部(核大小)最小值成为最终的值。

2.5.2 实际操作过程如下(比较重要的理解)

二值图腐蚀过程:

左边是被处理的图象X(二值图象,我们针对的是黑点),

中间是结构元素B,

那个标有origin的点是中心点(锚点,小嗷喜欢成为最终结果点),即当前处理元素的位置。

白色部分看做0,黑色看做1。

比如:X中的蓝色正方形为卷积目标。origin代表最终结果点,结果为白色.

腐蚀就是求局部最小值的操作。

即:X中的蓝色正方形为卷积目标,B中三个黑点对应蓝色正方形的位置,只要有一个是白点,origin就是白点(最小值)

对灰度图像的腐蚀:

如下图,左边是要处理图像,中间是结构元素,右边是与对应每个像素的灰度值。

处理过程就是:与上面的B一样,中间是要处理的元素所在的位置,三个1所在的位置对应三个灰度值,然后将中间这个1对应的灰度值改成这三个最小的,如源图像第一个灰度值1,它上左都没有灰度值,所以最小就是它本身,所以输出也是1,再比如处理灰度值为22那个点的时候,上面是7左边是44,所以22应改为7。

比如:

3数中:66、77、9,最小值:9。(77的位置为结果点)

3数中:5、23、59,最小值:5。(23的位置为结果点)

结果:

腐蚀的数学表达式:

2.6 膨胀

膨胀就是求局部最大值的操作。

按数学方面来说,膨胀或者腐蚀操作就是将图像(或图像的一部分区域,我们称之为A)与核(我们称之为B)进行卷积。

核可以是任何的形状和大小,它拥有一个单独定义出来的参考点,我们称其为锚点(anchorpoint)。多数情况下,核是一个小的中间带有参考点和实心正方形或者圆盘,其实,我们可以把核视为模板或者掩码。

而膨胀就是求局部最大值的操作,核B与图形卷积,即计算核B覆盖的区域的像素点的最大值,并把这个最大值赋值给参考点指定的像素。这样就会使图像中的高亮区域逐渐增长。如下图所示,这就是膨胀操作的初衷。

膨胀的数学表达式:

即:锚点取局部最大值。

3.1 形态学腐蚀——erode函数

参数详解:

src:原图像。

dst:目标图像。

element:腐蚀操作的内核。 如果不指定,默认为一个简单的3 X 3矩阵。否则,我们就要明确指定它的形状,可以使用函数getStructuringElement().

anchor:默认为Point(-1,-1),内核中心点。省略时为默认值。

iterations:腐蚀次数。省略时为默认值1。

borderType:推断边缘类型,具体参见borderInterpolate函数。默认为BORDER_DEFAULT,省略时为默认值。

borderValue:边缘值,具体可参见createMorphoogyFilter函数。可省略。

通常情况下,我们可以使用函数getStructuringElement()来制作操作内核。

参数:

shape:内核形状,主要有MORPHRECT,MORPHCROSS和MORPH_ELLIPSE,分别为矩形、椭圆形和交叉形,对应的值分别为0,1,2

esize:内核大小。

anchor:内核锚点,默认为内核中心点。

3.2 形态学膨胀——dilate函数

参数详解:

第一个参数,InputArray类型的src,输入图像,即源图像,填Mat类的对象即可。图像通道的数量可以是任意的,但图像深度应为CV8U,CV16U,CV_16S,CV32F或 CV64F其中之一。

第二个参数,OutputArray类型的dst,即目标图像,需要和源图片有一样的尺寸和类型。

第三个参数,InputArray类型的kernel,膨胀操作的核。若为NULL时,表示的是使用参考点位于中心3x3的核。

第四个参数,Point类型的anchor,锚的位置,其有默认值(-1,-1),表示锚位于中心。

第五个参数,int类型的iterations,迭代使用erode()函数的次数,默认值为1。

第六个参数,int类型的borderType,用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_DEFAULT。

第七个参数,const Scalar&类型的borderValue,当边界为常数时的边界值,有默认值morphologyDefaultBorderValue(),一般我们不用去管他。需要用到它时,可以看官方文档中的createMorphologyFilter()函数得到更详细的解释。

膨胀和腐蚀参数内容都一样

任务:

1.膨胀与腐蚀

2.实现第2.5.2点的例子代码

代码实现

4.1 第2.5.2点的例子代码

效果如图:

4.2 膨胀与腐蚀的代码

效果图如下:

腐蚀

膨胀

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180615G07LDL00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券