一.噪声和平滑处理1.增加噪声def add_peppersalt(image,n10000): result image.copy() h,w image.shape[:2] # 获取图片的高和宽 for i in range(n): # 生成n个椒盐噪声 x np.random.randint(0,h) y np.random.randint(0,w) if np.random.randint(0,2) 0: # 百分之五十的概率 result[x,y] 0 else: result[x,y] 255 return result定义噪声函数 add_peppersalt传入参数图像数据image生成椒盐噪声的个数n默认值为10000。result复制一份图像数据hw获取图像的高和宽。进入循环生成n个椒盐噪声。xy在图像的高宽范围内随机选取一点百分之50的概率添加黑色噪声百分之50的概率添加白色噪声。返回处理后的图像。image cv2.imread(./03.jpg) image cv2.resize(image,(400,400)) cv2.imshow(yuantu,image) cv2.waitKey(0)读入原始图像展示图像设置停留时间。noise add_peppersalt(image) cv2.imshow(noise,noise) cv2.waitKey(0)调用噪声函数对原图进行添加噪声的操作返回noise噪声图像然后展示图像设置停留时间。结果图如下2.平滑处理1.均值滤波blur原理它的核心原理可以概括为八个字“邻域平均中心替换”。在图像上选定一个目标像素点以它为中心划定一个固定大小的正方形区域这个区域被称为卷积核或模板。常见的大小有 3x3、5x5 等通常为奇数以便有唯一的中心点。将邻域内所有像素点的灰度值相加然后除以像素的总个数即求算术平均值。用计算出的这个平均值替换掉原始中心像素的灰度值。然后将这个滑窗在整张图片上从左到右、从上到下依次滑动对每个像素执行相同的操作直到整张图都被遍历一遍。优缺点算法极其简单计算速度快对抵抗高斯噪声分布较均匀的噪声效果不错。破坏边缘细节。因为图像的边缘往往是灰度剧烈变化的地方均值滤波会把这些“突变”拉平导致边缘、纹理等细节变得模糊不清。卷积核越大去噪能力越强但图像也越模糊。边界处理当滑窗移动到图像边缘时窗口会超出图像边界。常见的处理方式有忽略边界零填充。忽略边界就是最外围的边界像素不去管它只处理内部像数值但这样每处理一次图像就会缩小一圈零填充就是在最外围补上一圈0 。# 均值滤波 blur blur_1 cv2.blur(noise,ksize(3,3)) #卷积核为33效果一般清晰度一般 cv2.imshow(blur_1,blur_1) cv2.waitKey(0)简单实现均值滤波dstcv2.blur(src,ksize,anchor,borderType)参数如下dst是返回值src是需要处理的图像ksize是滤波核(卷积核)的大小anchor是锚点默认值是(-1-1)一般无需更改borderType是边界样式一般无需更改一般情况下使用dstcv2.blur(src,ksize)即可。运行结果可以看到对抗椒盐噪声很一般略微除去了一点噪声。2.方框滤波boxFilter原理与均值滤波类似只不过 它是用正方形区域内所有像素值的和或平均来替换中间的像素值也就是非归一化和归一化当使用归一化时它就是均值滤波当使用非归一化它就主要用于特征计算或亮度统计并不关心平均值只关心局部区域的总能量。优缺点过于突出的亮点会被周围的暗点“拉低”过于暗的点会被拉亮整张图就变得“平滑”。但会严重模糊边缘。dstcv2.boxFilter (src,ddepth,ksize,anchor,normalize,borderType)式中参数如下● dst是返回值表示进行方框滤波后得到的处理结果。● src 是需要处理的图像即原始图像。● ddepth是处理结果图像的图像深度一般使用-1表示与原始图像使用相同的图像深度。(可以理解为数据类型)● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高 度和宽度。● anchor 是锚点(指对应哪个区域)● normalize 表示在滤波时是否进行归一化。1.当值为True时归一化用邻域像素值的和除以面积。此时方框滤波与 均值滤波 效果相同。2.当值为False时不归一化直接使用邻域像素值的和。和255时使用255boxFilter_1 cv2.boxFilter(noise,-1,(3,3),normalizeTrue) # 方框滤波 cv2.imshow(boxFilter_1,boxFilter_1) cv2.waitKey(0)运行结果如下3.高斯滤波GaussianBlur原理也是用卷积核扫过图像进行处理卷积核内是各个像素所占的权重。利用高斯函数计算邻域内每个像素的权重离中心越近的像素影响力越大离得越远影响力越小。高斯滤波的权重不是人为设定的而是严格遵循二维高斯分布正态分布二维高斯函数的数学表达式为其中G(x, y)在坐标 (x, y) 处的高斯核权重值σ标准差控制高斯分布的宽度平滑程度x, y相对于卷积核中心的坐标位置将邻域内每个像素的坐标代入公式算出权重值组成卷积核。计算完所有权重后必须将整个核的权重总和归一化为 1除以总和。这是为了保证滤波前后图像的整体亮度不变。cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]]) 高斯滤波参数说明src输入图像通常是一个 NumPy 数组。ksize滤波器的大小它是一个元组表示在水平和垂直方向上的像素数量。例如(5, 5) 表示一个 5×5 的滤波器。sigmaX和sigmaY分别表示在 X 轴和 Y 轴方向上的标准差。这些值与滤波器大小相同。默认情况下它们都等于 0这意味着没有高斯模糊。dst输出图像通常是一个 NumPy 数组。如果为 None则会创建一个新的数组来存储结果。高斯滤波通过高斯函数计算卷积核中每个像素的权重离中心越近的像素权重越大离中心越远的像素权重越小。这种权重分布使得高斯滤波在平滑图像的同时能更好地保留边缘信息。使用示例GaussianB cv2.GaussianBlur(noise,(3,3),1) #标准差为1标准正太分布。 3、高斯滤波 cv2.imshow(GaussianBlur,GaussianB) cv2.waitKey(0)运行结果图4.中值滤波medianBlur原理用卷积核扫过图像进行处理把卷积核扫到的邻域内的像素按灰度值排序取中间那个值来替换中心像素。优缺点椒盐噪声随机出现的全黑或全白点在排序后极值0 或 255会天然地被排到数组的两端永远不会被选中为中值。因此中值滤波在去除这种孤立的异常点时效果远优于线性滤波。但对高斯噪声效果一般高斯噪声是均匀分布、服从正态分布的细小灰度波动它们没有极端值。对一大堆数值接近的像素排序取中值和平滑取平均效果差别不大且不如高斯滤波来得平滑自然。cv2.medianBlur(src, ksize[, dst]) 中值滤波参数说明src输入图像。ksize滤波器的大小它是一个整数表示在水平和垂直方向上的像素数量。例如5 表示一个 5×5 的滤波器。dst输出图像通常是一个 NumPy 数组。如果为 None则会创建一个新的数组来存储结果。中值滤波是一种非线性滤波方法特别适合去除椒盐噪声。它的核心思想是用邻域内像素值的中值来替代中心像素值这样能有效消除孤立的噪声点。使用示例medianB cv2.medianBlur(noise,3) cv2.imshow(medianBlur,medianB) cv2.waitKey(0) cv2.destroyAllWindows()运行结果可以看到中值滤波对椒盐噪声的处理效果非常好。二.图像形态学腐蚀和膨胀1.图像腐蚀原理图像腐蚀Erosion是形态学基本操作之一它的核心原理可以用一句话概括把高亮区域前景向内收缩吃掉边缘的一层像素。与方框滤波不同腐蚀不是计算权重和而是设定一个结构元素——通常是一个小矩形、十字形或椭圆形这个结构元素有一个锚点通常为中心点。运算规则以二值图为例前景为白色1背景为黑色0将结构元素在图像上滑动判断结构元素覆盖下的所有像素点。如果结构元素覆盖的区域全部都是白色1那么锚点对应的中心像素保留为白色1。只要覆盖区域内有一个像素是黑色0那么锚点对应的中心像素立刻变为黑色0。通俗理解结构元素就像一个缩小滤镜。只有窗口内的像素全部符合条件时中心点才能幸存只要有一点杂质这个点就会被腐蚀掉。效果前景白色区域会缩小边缘会向内收缩。细小的白色噪点、毛刺会被消除。两个相邻但未连通的白色区域可能会断开。白色区域的边界变得更加平滑。应用场景去除图像中的细小噪声点。分离两个粘连的物体。消除物体边缘的毛刺。为后续的形态学操作如开运算、闭运算做准备。参数说明cv2.erodesrckerneliterationssrc输入图像可以是二值图或灰度图。kernel结构元素决定了腐蚀的形状和大小。iterations腐蚀次数次数越多腐蚀效果越明显。读入原图image_sun cv2.imread(./sun.png) cv2.imshow(sun,image_sun) cv2.waitKey(0)使用示例# 腐蚀元件 kernel np.ones((3,3),np.uint8) # 设置kenenel大小,核改为5*5试试 # 腐蚀 erosion cv2.erode(image_sun,kernel,iterations2) # iterations改为5试试 cv2.imshow(erosion,erosion) cv2.waitKey(0)kernel为腐蚀原件这里是33的大小使用cv2.erode函数传入原图腐蚀次数为2展示运行结果图分别为原图腐蚀后的图可以看到腐蚀效果不错。2.图像膨胀原理图像膨胀Dilation是形态学基本操作之一它的核心原理可以用一句话概括把高亮区域前景向外长胖一圈吞并周围的背景像素。与腐蚀类似膨胀也使用结构元素通常是小矩形、十字形或椭圆形在图像上滑动但运算规则与腐蚀正好相反。运算规则以二值图为例前景为白色1背景为黑色0将结构元素Kernel在图像上滑动判断结构元素覆盖下的所有像素点。只要覆盖区域内有一个像素是白色1那么锚点对应的中心像素就设为白色1。只有覆盖区域内所有像素全是黑色0锚点对应的中心像素才会被设为黑色0。通俗对比腐蚀要求窗口内全部是白才留白极严格导致边界向内缩。膨胀只要窗口内有一丁点白就变白极宽松导致边界向外涨。效果前景白色区域会扩大边缘会向外扩张。细小的黑色孔洞、裂缝会被填充。两个相邻但未连通的白色区域可能会连接起来。白色区域的边界变得更加饱满。应用场景填充图像中的小孔洞和裂缝。连接相邻但断开的物体。扩大前景区域增强目标特征。为后续的形态学操作如开运算、闭运算做准备。参数说明cv2.dilatesrckerneliterationssrc输入图像可以是二值图或灰度图。kernel结构元素决定了膨胀的形状和大小。iterations膨胀次数次数越多膨胀效果越明显。使用示例wenzi cv2.imread(wenzi.png) cv2.imshow(wenzi,wenzi) cv2.waitKey(0)读入原图kernel np.ones((3,3),np.uint8) # 设置kenenel大小 dilation cv2.dilate(wenzi,kernel,iterations2) cv2.imshow(dilation,dilation) cv2.waitKey(0) cv2.destroyAllWindows()kernel为膨胀元件这里是33的大小使用cv2.dilate函数传入原图膨胀次数为2展示运行结果图分别为原图膨胀后的图运行结果可以看到膨胀效果使文字图案向外扩张填充了内部的小间隙。三.图像的开闭梯度顶帽与黑帽1.图像的开运算原理先腐蚀后膨胀作用平滑物体的轮廓、断开较窄的狭颈并消除细的突出物。参数说明cv2.morphologyEx(src, op, kernel, iterations)src输入图像可以是二值图或灰度图。op形态学操作类型。对于开运算应设置为cv2.MORPH_OPEN。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations迭代次数即执行开运算的次数。次数越多效果越明显。使用示例kernel np.ones((3,3),np.uint8) zhiwen_open cv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel) cv2.imshow(zhiwen_open,zhiwen_open) cv2.waitKey(0)效果解释开运算先通过腐蚀去除图像中细小的噪声点或突出物再通过膨胀恢复主体区域的大致形状。因此它能有效消除小的白色噪点同时保持主体区域的大小和形状基本不变。运行效果2.图像的闭运算原理先膨胀后腐蚀作用弥合较窄的间断和细长的沟壑消除小的孔洞填补轮廓线。参数说明cv2.morphologyEx(src, op, kernel, iterations)src输入图像可以是二值图或灰度图。op形态学操作类型。对于闭运算应设置为cv2.MORPH_CLOSE。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations迭代次数即执行闭运算的次数。次数越多效果越明显。使用示例原图指纹段zhiwen_duan cv2.imread(./zhiwen_duan.png) cv2.imshow(zhiwen_duan,zhiwen_duan) cv2.waitKey(0)闭运算操作kernel np.ones((4,4),np.uint8) zhiwen_duan_close cv2.morphologyEx(zhiwen_duan,cv2.MORPH_CLOSE,kernel) cv2.imshow(zhiwen_duan_close,zhiwen_duan_close) cv2.waitKey(0) cv2.destroyAllWindows()效果解释闭运算先通过膨胀扩大前景区域填充物体内部的小孔洞和连接狭窄的断裂再通过腐蚀恢复物体的大致原始大小。因此它能有效闭合前景物体中的小洞连接相邻的物体并平滑物体的轮廓同时基本保持物体原有面积。运行效果原图闭运算操作3.图像的梯度运算原理膨胀-腐蚀作用突出显示图像中强度变化剧烈的地方即图像的边缘轮廓。参数说明cv2.morphologyEx(src, op, kernel, dstNone, anchor(-1, -1), iterations1, borderTypeNone, borderValueNone)src输入图像可以是二值图或灰度图。op形态学操作类型。对于梯度运算应设置为cv2.MORPH_GRADIENT。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations可选迭代次数即执行梯度运算的次数。默认为1。使用示例wenzi cv2.imread(wenzi.png) cv2.imshow(wenzi,wenzi) cv2.waitKey(0)# 膨胀 kernel np.ones((3,3),np.uint8) wenzi_dilation cv2.dilate(wenzi,kernel,iterations1) cv2.imshow(wenzi_dilation,wenzi_dilation) cv2.waitKey(0)# 腐蚀 wenzi_erosion cv2.erode(wenzi,kernel,iterations1) cv2.imshow(wenzi_erosion,wenzi_erosion) cv2.waitKey(0)# 膨胀-腐蚀 gradient cv2.morphologyEx(wenzi,cv2.MORPH_GRADIENT,kernel) cv2.imshow(gradient,gradient) cv2.waitKey(0) cv2.destroyAllWindows()效果解释梯度运算通过计算图像膨胀结果与腐蚀结果之间的差值来提取边缘。膨胀操作会使前景区域向外扩张腐蚀操作会使前景区域向内收缩。两者相减后得到的是原始物体轮廓的边界区域。因此梯度运算特别适合用于突出显示物体的边缘轮廓在图像分割、边缘检测和特征提取中非常有用。运行效果梯度运算后的图像会突出显示原图中物体的边缘边缘部分通常显示为亮色而内部和背景区域则较暗。4.图像的顶帽运算原理顶帽运算 原始图像 - 开运算结果先腐蚀后膨胀作用用于提取比周围区域亮的细节如背景均匀的亮斑、细线、文字等。参数说明cv2.morphologyEx(src, op, kernel, iterations1)src输入图像可以是二值图或灰度图。op形态学操作类型。对于顶帽运算应设置为cv2.MORPH_TOPHAT。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations可选迭代次数即执行顶帽运算的次数。默认为1。使用示例sun_tophat cv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel) cv2.imshow(sun_tophat,sun_tophat) cv2.waitKey(0)效果解释顶帽运算通过从原始图像中减去开运算结果能够突出显示那些比背景亮且尺寸小于结构元素的细节。开运算会消除小的亮区域因此原始图像减去开运算结果后剩下的就是这些被消除的小亮区域。这在图像增强、背景不均匀校正和特征提取中非常有用。运行效果顶帽运算后的图像会突出显示原始图像中比周围亮的细小特征如文本、划痕、亮斑等同时抑制均匀的背景。5.图像的黑帽运算原理黑帽运算 闭运算先膨胀后腐蚀- 原始图像作用用于提取比周围区域暗的细节如背景均匀的暗斑、裂缝、孔洞等。参数说明cv2.morphologyEx(src, op, kernel, iterations1)src输入图像可以是二值图或灰度图。op形态学操作类型。对于黑帽运算应设置为cv2.MORPH_BLACKHAT。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations可选迭代次数即执行黑帽运算的次数。默认为1。使用示例sun_blackhat cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel) cv2.imshow(sun_blackhat,sun_blackhat) cv2.waitKey(0) cv2.destroyAllWindows()效果解释黑帽运算通过从闭运算结果中减去原始图像能够突出显示那些比背景暗且尺寸小于结构元素的细节。闭运算会填充小的暗区域因此闭运算结果减去原始图像后剩下的就是这些被填充的小暗区域。这在检测图像中的暗色缺陷、裂缝或孔洞时非常有用。运行效果黑帽运算后的图像会突出显示原始图像中比周围暗的细小特征如暗斑、裂缝、孔洞等同时抑制均匀的背景。 初学opencv2
一.噪声和平滑处理1.增加噪声def add_peppersalt(image,n10000): result image.copy() h,w image.shape[:2] # 获取图片的高和宽 for i in range(n): # 生成n个椒盐噪声 x np.random.randint(0,h) y np.random.randint(0,w) if np.random.randint(0,2) 0: # 百分之五十的概率 result[x,y] 0 else: result[x,y] 255 return result定义噪声函数 add_peppersalt传入参数图像数据image生成椒盐噪声的个数n默认值为10000。result复制一份图像数据hw获取图像的高和宽。进入循环生成n个椒盐噪声。xy在图像的高宽范围内随机选取一点百分之50的概率添加黑色噪声百分之50的概率添加白色噪声。返回处理后的图像。image cv2.imread(./03.jpg) image cv2.resize(image,(400,400)) cv2.imshow(yuantu,image) cv2.waitKey(0)读入原始图像展示图像设置停留时间。noise add_peppersalt(image) cv2.imshow(noise,noise) cv2.waitKey(0)调用噪声函数对原图进行添加噪声的操作返回noise噪声图像然后展示图像设置停留时间。结果图如下2.平滑处理1.均值滤波blur原理它的核心原理可以概括为八个字“邻域平均中心替换”。在图像上选定一个目标像素点以它为中心划定一个固定大小的正方形区域这个区域被称为卷积核或模板。常见的大小有 3x3、5x5 等通常为奇数以便有唯一的中心点。将邻域内所有像素点的灰度值相加然后除以像素的总个数即求算术平均值。用计算出的这个平均值替换掉原始中心像素的灰度值。然后将这个滑窗在整张图片上从左到右、从上到下依次滑动对每个像素执行相同的操作直到整张图都被遍历一遍。优缺点算法极其简单计算速度快对抵抗高斯噪声分布较均匀的噪声效果不错。破坏边缘细节。因为图像的边缘往往是灰度剧烈变化的地方均值滤波会把这些“突变”拉平导致边缘、纹理等细节变得模糊不清。卷积核越大去噪能力越强但图像也越模糊。边界处理当滑窗移动到图像边缘时窗口会超出图像边界。常见的处理方式有忽略边界零填充。忽略边界就是最外围的边界像素不去管它只处理内部像数值但这样每处理一次图像就会缩小一圈零填充就是在最外围补上一圈0 。# 均值滤波 blur blur_1 cv2.blur(noise,ksize(3,3)) #卷积核为33效果一般清晰度一般 cv2.imshow(blur_1,blur_1) cv2.waitKey(0)简单实现均值滤波dstcv2.blur(src,ksize,anchor,borderType)参数如下dst是返回值src是需要处理的图像ksize是滤波核(卷积核)的大小anchor是锚点默认值是(-1-1)一般无需更改borderType是边界样式一般无需更改一般情况下使用dstcv2.blur(src,ksize)即可。运行结果可以看到对抗椒盐噪声很一般略微除去了一点噪声。2.方框滤波boxFilter原理与均值滤波类似只不过 它是用正方形区域内所有像素值的和或平均来替换中间的像素值也就是非归一化和归一化当使用归一化时它就是均值滤波当使用非归一化它就主要用于特征计算或亮度统计并不关心平均值只关心局部区域的总能量。优缺点过于突出的亮点会被周围的暗点“拉低”过于暗的点会被拉亮整张图就变得“平滑”。但会严重模糊边缘。dstcv2.boxFilter (src,ddepth,ksize,anchor,normalize,borderType)式中参数如下● dst是返回值表示进行方框滤波后得到的处理结果。● src 是需要处理的图像即原始图像。● ddepth是处理结果图像的图像深度一般使用-1表示与原始图像使用相同的图像深度。(可以理解为数据类型)● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高 度和宽度。● anchor 是锚点(指对应哪个区域)● normalize 表示在滤波时是否进行归一化。1.当值为True时归一化用邻域像素值的和除以面积。此时方框滤波与 均值滤波 效果相同。2.当值为False时不归一化直接使用邻域像素值的和。和255时使用255boxFilter_1 cv2.boxFilter(noise,-1,(3,3),normalizeTrue) # 方框滤波 cv2.imshow(boxFilter_1,boxFilter_1) cv2.waitKey(0)运行结果如下3.高斯滤波GaussianBlur原理也是用卷积核扫过图像进行处理卷积核内是各个像素所占的权重。利用高斯函数计算邻域内每个像素的权重离中心越近的像素影响力越大离得越远影响力越小。高斯滤波的权重不是人为设定的而是严格遵循二维高斯分布正态分布二维高斯函数的数学表达式为其中G(x, y)在坐标 (x, y) 处的高斯核权重值σ标准差控制高斯分布的宽度平滑程度x, y相对于卷积核中心的坐标位置将邻域内每个像素的坐标代入公式算出权重值组成卷积核。计算完所有权重后必须将整个核的权重总和归一化为 1除以总和。这是为了保证滤波前后图像的整体亮度不变。cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]]) 高斯滤波参数说明src输入图像通常是一个 NumPy 数组。ksize滤波器的大小它是一个元组表示在水平和垂直方向上的像素数量。例如(5, 5) 表示一个 5×5 的滤波器。sigmaX和sigmaY分别表示在 X 轴和 Y 轴方向上的标准差。这些值与滤波器大小相同。默认情况下它们都等于 0这意味着没有高斯模糊。dst输出图像通常是一个 NumPy 数组。如果为 None则会创建一个新的数组来存储结果。高斯滤波通过高斯函数计算卷积核中每个像素的权重离中心越近的像素权重越大离中心越远的像素权重越小。这种权重分布使得高斯滤波在平滑图像的同时能更好地保留边缘信息。使用示例GaussianB cv2.GaussianBlur(noise,(3,3),1) #标准差为1标准正太分布。 3、高斯滤波 cv2.imshow(GaussianBlur,GaussianB) cv2.waitKey(0)运行结果图4.中值滤波medianBlur原理用卷积核扫过图像进行处理把卷积核扫到的邻域内的像素按灰度值排序取中间那个值来替换中心像素。优缺点椒盐噪声随机出现的全黑或全白点在排序后极值0 或 255会天然地被排到数组的两端永远不会被选中为中值。因此中值滤波在去除这种孤立的异常点时效果远优于线性滤波。但对高斯噪声效果一般高斯噪声是均匀分布、服从正态分布的细小灰度波动它们没有极端值。对一大堆数值接近的像素排序取中值和平滑取平均效果差别不大且不如高斯滤波来得平滑自然。cv2.medianBlur(src, ksize[, dst]) 中值滤波参数说明src输入图像。ksize滤波器的大小它是一个整数表示在水平和垂直方向上的像素数量。例如5 表示一个 5×5 的滤波器。dst输出图像通常是一个 NumPy 数组。如果为 None则会创建一个新的数组来存储结果。中值滤波是一种非线性滤波方法特别适合去除椒盐噪声。它的核心思想是用邻域内像素值的中值来替代中心像素值这样能有效消除孤立的噪声点。使用示例medianB cv2.medianBlur(noise,3) cv2.imshow(medianBlur,medianB) cv2.waitKey(0) cv2.destroyAllWindows()运行结果可以看到中值滤波对椒盐噪声的处理效果非常好。二.图像形态学腐蚀和膨胀1.图像腐蚀原理图像腐蚀Erosion是形态学基本操作之一它的核心原理可以用一句话概括把高亮区域前景向内收缩吃掉边缘的一层像素。与方框滤波不同腐蚀不是计算权重和而是设定一个结构元素——通常是一个小矩形、十字形或椭圆形这个结构元素有一个锚点通常为中心点。运算规则以二值图为例前景为白色1背景为黑色0将结构元素在图像上滑动判断结构元素覆盖下的所有像素点。如果结构元素覆盖的区域全部都是白色1那么锚点对应的中心像素保留为白色1。只要覆盖区域内有一个像素是黑色0那么锚点对应的中心像素立刻变为黑色0。通俗理解结构元素就像一个缩小滤镜。只有窗口内的像素全部符合条件时中心点才能幸存只要有一点杂质这个点就会被腐蚀掉。效果前景白色区域会缩小边缘会向内收缩。细小的白色噪点、毛刺会被消除。两个相邻但未连通的白色区域可能会断开。白色区域的边界变得更加平滑。应用场景去除图像中的细小噪声点。分离两个粘连的物体。消除物体边缘的毛刺。为后续的形态学操作如开运算、闭运算做准备。参数说明cv2.erodesrckerneliterationssrc输入图像可以是二值图或灰度图。kernel结构元素决定了腐蚀的形状和大小。iterations腐蚀次数次数越多腐蚀效果越明显。读入原图image_sun cv2.imread(./sun.png) cv2.imshow(sun,image_sun) cv2.waitKey(0)使用示例# 腐蚀元件 kernel np.ones((3,3),np.uint8) # 设置kenenel大小,核改为5*5试试 # 腐蚀 erosion cv2.erode(image_sun,kernel,iterations2) # iterations改为5试试 cv2.imshow(erosion,erosion) cv2.waitKey(0)kernel为腐蚀原件这里是33的大小使用cv2.erode函数传入原图腐蚀次数为2展示运行结果图分别为原图腐蚀后的图可以看到腐蚀效果不错。2.图像膨胀原理图像膨胀Dilation是形态学基本操作之一它的核心原理可以用一句话概括把高亮区域前景向外长胖一圈吞并周围的背景像素。与腐蚀类似膨胀也使用结构元素通常是小矩形、十字形或椭圆形在图像上滑动但运算规则与腐蚀正好相反。运算规则以二值图为例前景为白色1背景为黑色0将结构元素Kernel在图像上滑动判断结构元素覆盖下的所有像素点。只要覆盖区域内有一个像素是白色1那么锚点对应的中心像素就设为白色1。只有覆盖区域内所有像素全是黑色0锚点对应的中心像素才会被设为黑色0。通俗对比腐蚀要求窗口内全部是白才留白极严格导致边界向内缩。膨胀只要窗口内有一丁点白就变白极宽松导致边界向外涨。效果前景白色区域会扩大边缘会向外扩张。细小的黑色孔洞、裂缝会被填充。两个相邻但未连通的白色区域可能会连接起来。白色区域的边界变得更加饱满。应用场景填充图像中的小孔洞和裂缝。连接相邻但断开的物体。扩大前景区域增强目标特征。为后续的形态学操作如开运算、闭运算做准备。参数说明cv2.dilatesrckerneliterationssrc输入图像可以是二值图或灰度图。kernel结构元素决定了膨胀的形状和大小。iterations膨胀次数次数越多膨胀效果越明显。使用示例wenzi cv2.imread(wenzi.png) cv2.imshow(wenzi,wenzi) cv2.waitKey(0)读入原图kernel np.ones((3,3),np.uint8) # 设置kenenel大小 dilation cv2.dilate(wenzi,kernel,iterations2) cv2.imshow(dilation,dilation) cv2.waitKey(0) cv2.destroyAllWindows()kernel为膨胀元件这里是33的大小使用cv2.dilate函数传入原图膨胀次数为2展示运行结果图分别为原图膨胀后的图运行结果可以看到膨胀效果使文字图案向外扩张填充了内部的小间隙。三.图像的开闭梯度顶帽与黑帽1.图像的开运算原理先腐蚀后膨胀作用平滑物体的轮廓、断开较窄的狭颈并消除细的突出物。参数说明cv2.morphologyEx(src, op, kernel, iterations)src输入图像可以是二值图或灰度图。op形态学操作类型。对于开运算应设置为cv2.MORPH_OPEN。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations迭代次数即执行开运算的次数。次数越多效果越明显。使用示例kernel np.ones((3,3),np.uint8) zhiwen_open cv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel) cv2.imshow(zhiwen_open,zhiwen_open) cv2.waitKey(0)效果解释开运算先通过腐蚀去除图像中细小的噪声点或突出物再通过膨胀恢复主体区域的大致形状。因此它能有效消除小的白色噪点同时保持主体区域的大小和形状基本不变。运行效果2.图像的闭运算原理先膨胀后腐蚀作用弥合较窄的间断和细长的沟壑消除小的孔洞填补轮廓线。参数说明cv2.morphologyEx(src, op, kernel, iterations)src输入图像可以是二值图或灰度图。op形态学操作类型。对于闭运算应设置为cv2.MORPH_CLOSE。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations迭代次数即执行闭运算的次数。次数越多效果越明显。使用示例原图指纹段zhiwen_duan cv2.imread(./zhiwen_duan.png) cv2.imshow(zhiwen_duan,zhiwen_duan) cv2.waitKey(0)闭运算操作kernel np.ones((4,4),np.uint8) zhiwen_duan_close cv2.morphologyEx(zhiwen_duan,cv2.MORPH_CLOSE,kernel) cv2.imshow(zhiwen_duan_close,zhiwen_duan_close) cv2.waitKey(0) cv2.destroyAllWindows()效果解释闭运算先通过膨胀扩大前景区域填充物体内部的小孔洞和连接狭窄的断裂再通过腐蚀恢复物体的大致原始大小。因此它能有效闭合前景物体中的小洞连接相邻的物体并平滑物体的轮廓同时基本保持物体原有面积。运行效果原图闭运算操作3.图像的梯度运算原理膨胀-腐蚀作用突出显示图像中强度变化剧烈的地方即图像的边缘轮廓。参数说明cv2.morphologyEx(src, op, kernel, dstNone, anchor(-1, -1), iterations1, borderTypeNone, borderValueNone)src输入图像可以是二值图或灰度图。op形态学操作类型。对于梯度运算应设置为cv2.MORPH_GRADIENT。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations可选迭代次数即执行梯度运算的次数。默认为1。使用示例wenzi cv2.imread(wenzi.png) cv2.imshow(wenzi,wenzi) cv2.waitKey(0)# 膨胀 kernel np.ones((3,3),np.uint8) wenzi_dilation cv2.dilate(wenzi,kernel,iterations1) cv2.imshow(wenzi_dilation,wenzi_dilation) cv2.waitKey(0)# 腐蚀 wenzi_erosion cv2.erode(wenzi,kernel,iterations1) cv2.imshow(wenzi_erosion,wenzi_erosion) cv2.waitKey(0)# 膨胀-腐蚀 gradient cv2.morphologyEx(wenzi,cv2.MORPH_GRADIENT,kernel) cv2.imshow(gradient,gradient) cv2.waitKey(0) cv2.destroyAllWindows()效果解释梯度运算通过计算图像膨胀结果与腐蚀结果之间的差值来提取边缘。膨胀操作会使前景区域向外扩张腐蚀操作会使前景区域向内收缩。两者相减后得到的是原始物体轮廓的边界区域。因此梯度运算特别适合用于突出显示物体的边缘轮廓在图像分割、边缘检测和特征提取中非常有用。运行效果梯度运算后的图像会突出显示原图中物体的边缘边缘部分通常显示为亮色而内部和背景区域则较暗。4.图像的顶帽运算原理顶帽运算 原始图像 - 开运算结果先腐蚀后膨胀作用用于提取比周围区域亮的细节如背景均匀的亮斑、细线、文字等。参数说明cv2.morphologyEx(src, op, kernel, iterations1)src输入图像可以是二值图或灰度图。op形态学操作类型。对于顶帽运算应设置为cv2.MORPH_TOPHAT。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations可选迭代次数即执行顶帽运算的次数。默认为1。使用示例sun_tophat cv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel) cv2.imshow(sun_tophat,sun_tophat) cv2.waitKey(0)效果解释顶帽运算通过从原始图像中减去开运算结果能够突出显示那些比背景亮且尺寸小于结构元素的细节。开运算会消除小的亮区域因此原始图像减去开运算结果后剩下的就是这些被消除的小亮区域。这在图像增强、背景不均匀校正和特征提取中非常有用。运行效果顶帽运算后的图像会突出显示原始图像中比周围亮的细小特征如文本、划痕、亮斑等同时抑制均匀的背景。5.图像的黑帽运算原理黑帽运算 闭运算先膨胀后腐蚀- 原始图像作用用于提取比周围区域暗的细节如背景均匀的暗斑、裂缝、孔洞等。参数说明cv2.morphologyEx(src, op, kernel, iterations1)src输入图像可以是二值图或灰度图。op形态学操作类型。对于黑帽运算应设置为cv2.MORPH_BLACKHAT。kernel结构元素卷积核决定了形态学操作的形状和大小。通常使用np.ones((n,n), np.uint8)创建矩形核或使用cv2.getStructuringElement()创建其他形状如椭圆形、十字形。iterations可选迭代次数即执行黑帽运算的次数。默认为1。使用示例sun_blackhat cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel) cv2.imshow(sun_blackhat,sun_blackhat) cv2.waitKey(0) cv2.destroyAllWindows()效果解释黑帽运算通过从闭运算结果中减去原始图像能够突出显示那些比背景暗且尺寸小于结构元素的细节。闭运算会填充小的暗区域因此闭运算结果减去原始图像后剩下的就是这些被填充的小暗区域。这在检测图像中的暗色缺陷、裂缝或孔洞时非常有用。运行效果黑帽运算后的图像会突出显示原始图像中比周围暗的细小特征如暗斑、裂缝、孔洞等同时抑制均匀的背景。