影醉阏轩窗

衣带渐宽终不悔,为伊消得人憔悴。
扩大
缩小

形态学操作+实例分析(第六天)

形态学概念介绍

形态学现在学完基本的几个了,但我还是不知道什么是形态学!原理其实就是和“卷积”在图像处理中的应用一样,就是一个“内核”遍历图像之后进行处理,内核的不同使得处理得到的图像效果也是不同的。下面介绍几种形态学滤波原理你就懂了:

注->RGB:0-255,0代表黑色,255代表白色

腐蚀:腐蚀的顾名思义就是一个东西变黑变坏变烂了,那么简单的理解就是把大于0的像素都都变得接近0就行了啊!

         那对应的图像处理:

 

膨胀:一个人膨胀了的样子怎样的?变得越来越耀眼、越来越明亮!那么对应的像素就是像素<255的就越来越接近255啊。

        那对应的图像处理:

开运算:从名字记忆是图像打开,既然是打开那就是最后的结果是膨胀-------------------->先腐蚀后膨胀

闭运算:和开运算相对,从名字记忆是图像关闭,既然是打开那就是最后的结果是腐蚀----->先膨胀后腐蚀

形态学梯度:梯度就是一个阶梯的长度,对应于图像那就是像素的差值,膨胀—原图、原图—腐蚀、膨胀—腐蚀、X/Y等方向的

顶帽:不解释了---->原图—开运算

黑帽:------------>原图—闭运算

 

---实例分析---

注意点:形态学滤波一般运用在二值化的图像上对于那些彩色的图像运用不明显(用过之后很难看),看了很多书本的介绍都是随便找个例子,这是在课程中看到的,感觉按照下面的步骤学习形态学真的很简单而且实用!

例一:腐蚀的作用 

原图如下,去除图片上的小白点。

用内核大小3X3进行的图片:小的白点已经没有了,但是稍微大点的杂点还是没去除!

 这是实用15X15的内核进行的图片:图片的白点完全去除了。

这是不是完成了我们的要求了呢?仔细的看会发现,我们想要的大白色区域变小了,这是什么原因呢?

从我们上面的原理分析可以得知:腐蚀会把目标区域给变小的,请看下面的图片->>>红色区域是内核,

一号区域->黑色

二号区域->白色

三号区域->黑色

二号区域->黑色

五号区域->黑色

所以图片缩小的区域就是内核的大小,每个边都会缩小!

 在想一下,如果我们用膨胀处理经过腐蚀的图片会怎么样?由上面的分析可以很快得到结论,就是恢复我们目标区域的原始尺寸

    看下面的效果图:

 

 代码比较简单,就是几行API,但是如何运用,为什么这么运用,这才是关键:

 1 int main(int argc,char**argv)
 2 {
 3     Mat input_image = imread("1.jpg");
 4     if (input_image.data==NULL) {
 5         return -1; cout << "can't open image.../";
 6     }
 7     imshow("Sourse image", input_image);
 8     Mat output_image;
 9     Mat kernel = getStructuringElement(MORPH_RECT,Size(15,15));
10     erode(input_image,output_image,kernel);
11     dilate(output_image, output_image,kernel);
12     imshow("Destinate image",output_image);
13     waitKey(0);
14     return 0;
15 }

例二:提取行和列

    要求提取其中的行线段-->>

 经过处理的线段图片:

 

这里没给其他的特殊照片,看代码直接改一下就可以了。

注意点: getStructuringElement()获得内核的一些参数->核大小、核形状、核锚点等。其中控制核的大小可以滤波不同的噪点:

我要滤去下面的三个大噪点,保留上面的大白色区域,其实滤波的核定义成红色的大小就可以了,不一定是正方形,矩形就可以了。

int main(int argc,char*=*argv)
 2 {
 3     Mat input_image = imread("1.jpg");
 4     if (input_image.data==NULL) {
 5         return -1; cout << "can't open image.../";
 6     }
 7     imshow("Sourse image", input_image);
 8     Mat output_image;
 9     Mat kernel = getStructuringElement(MORPH_RECT,Size(input_image.cols/30,1));//这个input_image.cols/30,是定义核的长度是图片长度的三十分之一,如果直                                                           接给定一个数200也可以,但是你不知道200在图像上是多大啊。
10     erode(input_image,output_image,kernel);
11     dilate(output_image, output_image,kernel);
12     imshow("Destinate image",output_image);
13     waitKey(0);
14     return 0;
15 }

 例三:简单的提取字母

       目的是提取图片中的字母

 灰度化:

 阈值化:

 形态学滤波:

取反之后:

 1 int main(int argc,char**argv)
 2 {
 3     Mat input_image = imread("1.jpg");
 4     if (input_image.data==NULL) {
 5         return -1; cout << "can't open image.../";
 6     }
 7     imshow("Sourse image", input_image);
 8     cvtColor(input_image,input_image,CV_RGB2GRAY);
 9     imshow("Sourse1 image", input_image);
10     //adaptiveThreshold(input_image,input_image,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY_INV,171,0);
11     threshold(input_image,input_image,15,255,THRESH_BINARY);
12     imshow("Sourse2 image", input_image);
13     Mat output_image;
14     Mat kernel = getStructuringElement(MORPH_RECT,Size(3,3));
15      erode(input_image,output_image,kernel);
16     dilate(output_image, output_image,kernel);
17     imshow("Destinate image",output_image);
18     bitwise_not(output_image,output_image);
19     imshow("Destinate2 image", output_image);
20     Mat my_kernel = (Mat_<uchar>(3, 3) << 0, -1, 0, 5, -1, 0, -1, 0);
21     filter2D(output_image,output_image,output_image.depth(),my_kernel);//加强显示
22     imshow("Destinate3 image", output_image);
23     waitKey(0);
24     return 0;
25 }

 例四:稍微困难的提取字母

                这个图像对我来说有点麻烦的,形态学滤波不行的,而且形态学操作之后留下很多噪点。。。。。

 

形态学操作之后:

 

轮廓检测去除噪点:

霍夫变换去除粗实线:

这个图的小噪点用上面的步骤可以去除,这个就没再继续了

上代码:

 1 Mat input_image = imread("2.jpg");
 2     if (input_image.data==NULL) {
 3         return -1; cout << "can't open image.../";
 4     }
 5     imshow("Sourse image", input_image);
 6     cvtColor(input_image,input_image,CV_RGB2GRAY);
 7     //adaptiveThreshold(input_image,input_image,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY_INV,171,0);
 8     threshold(input_image,input_image,0,255,THRESH_BINARY|THRESH_OTSU);
 9     //-----------------------去除细实线------------------------//
10     Mat output_image;
11     Mat kernel1 = getStructuringElement(MORPH_RECT,Size(3,3));
12     morphologyEx(input_image, input_image, MORPH_CLOSE, kernel1);
13     bitwise_not(input_image, input_image);
14     output_image = input_image.clone();
15     imshow("DeleteThick image", input_image);
16     //----------------------去除形态学不能去除的噪点----------------------//
17     vector<vector<Point> > contours;
18     vector<Vec4i> hierarchy;
19     findContours(output_image, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);
20     Mat contours_image = Mat::zeros(input_image.size(), input_image.type());
21     for (size_t i = 0; i < contours.size(); i++)
22     {
23         double Area = contourArea(contours[i]);
24         if (Area > 50) continue;
25         drawContours(contours_image, contours, static_cast<int>(i),Scalar(255,255,255),1);
26     }
27     input_image = input_image - contours_image;
28     morphologyEx(input_image, input_image, MORPH_OPEN, kernel1);
29     imshow("contours image", input_image);
30     //------------------去除粗实线--------------------//
31     vector<Vec4i> lines;
32     HoughLinesP(input_image,lines,1,CV_PI/180,100,0,200); 
33     Mat line_image = Mat::zeros(input_image.size(), input_image.type());
34     for (size_t i = 0; i < lines.size(); i++)
35     {
36         line(line_image, Point(lines[i][0], lines[i][1]),
37             Point(lines[i][2], lines[i][3]), Scalar(255, 255, 255), 1, 8);
38     }
39     bitwise_not(input_image, input_image);
40     input_image = line_image + input_image;
41     morphologyEx(input_image, input_image, MORPH_CLOSE, kernel1);
42     imshow("Last image", input_image);

 

posted on 2017-04-02 22:17  影醉阏轩窗  阅读(...)  评论(...编辑  收藏

导航

/* 线条鼠标集合 */ /* 鼠标点击求赞文字特效 */ //带头像评论