第9章 形态学处理

2024-06-17 01:18
文章标签 处理 形态学

本文主要是介绍第9章 形态学处理,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

第9章 形态学处理

腐蚀操作 imerode

  • 通过腐蚀操作(imerode)去掉图像的某些部分:
%% 第9章 形态学处理
%% imerode 腐蚀操作
clc
clearA1=imread('./1.jpg');
subplot(221),imshow(A1);title('原始图像');
%strel函数的功能是运用各种形状和大小构造结构元素
se1=strel('disk',5);%这是创建一个半径为5的平坦圆盘结构元素
A2=imerode(A1,se1);
subplot(222),imshow(A2);title('使用disk(5,5)腐蚀后的图像');se2=strel('rectangle',[3,3]);
A3=imerode(A1,se2);
subplot(223),imshow(A3),title('使用rectangle[5,5]腐蚀操作后');se3=strel('disk',10);%这是创建一个半径为5的平坦圆盘结构元素
A3=imerode(A1,se3);
subplot(224),imshow(A3);title('使用disk(10,10)腐蚀后的图像');figure
se4=strel('line',10,0);
A4=imerode(A1,se4);
subplot(221),imshow(A4);title('使用line(10,0)腐蚀后的图像');se5=strel('line',10,45);
A5=imerode(A1,se5);
subplot(222),imshow(A5);title('使用line(10,45)腐蚀后的图像');se6=strel('line',10,90);
A6=imerode(A1,se6);
subplot(223),imshow(A6);title('使用line(10,90)腐蚀后的图像');

使用不同尺寸不同形状的结构元进行腐蚀
这里写图片描述

通过观察,发现结构元的尺寸越大,腐蚀的效果越明显;
当用45°的线进行操作时,留下了该方向的细线和竖直的较宽的细线;
当用90°的结构元进行操作时,对中间较粗的细线几乎没有进行任何腐蚀。
规律似乎是这样的:对图像中与结构元相似的形状进行腐蚀效果不明显,比结构元规格大的形状腐蚀完仍会有保留。

膨胀操作 imdilate

  • 膨胀操作用于桥接裂缝
%% 第9章 形态学处理
%% imdilate 膨胀处理
clc
clear
A1=imread('./2.jpg');
subplot(221);imshow(A1);title('原始图像');
info=imfinfo('./2.jpg');
%se1=strel('disk',1);
se1=strel('line',10,0);
A2=imdilate(A1,se1);
%subplot(222);imshow(A2);title('disk(1)-1次膨胀');
subplot(222);imshow(A2);title('line(10,0)-1次膨胀');A3=imdilate(A2,se1);
%subplot(223);imshow(A3);title('disk(1)-2次膨胀');
subplot(223);imshow(A3);title('line(10,0)-2次膨胀');
A4=imdilate(A3,se1);
%subplot(224);imshow(A4);title('disk(1)-13膨胀');
subplot(224);imshow(A4);title('line(10,0)-3次膨胀');

这里写图片描述这里写图片描述

使用disk(1)进行膨胀操作,多次操作,效果加深。
使用line(10,0)进行多次膨胀,随着膨胀次数的增多,对垂直方向的效果比水平方向的效果明显。
规律:膨胀操作时只要是有背景与结构元的反射有一点重叠,即为新集合的元素,因此用横向的结构元膨胀时,对横向目标不如对纵向的目标效果明显。

腐蚀是以结构元的中心遍历图像的每一个像素进行访问,如果结构元完全包含在图像中,则该中心位置为腐蚀后的新集合中的元素;

膨胀是以结构元的中心遍历图像的每一个像素进行访问,如果结构元与图像的交集不为空,则该结构元所占区域为新结合中的元素;

开运算 &闭操作

开运算一般会平滑物体的轮廓,断开较窄的狭颈并消除细的突出物。
闭操作同样也会平滑物体的轮廓,但是与开操作相反,它通常会弥合较窄的间断和细长的沟壑,消除小的空洞,填补轮廓线中的断裂。

%% 第9章 形态学处理
%% 开运算
clc
clear
%% 开运算
A1=imread('./5.jpg');
subplot(221),imshow(A1);title('原始图像');
se1=strel('disk',20);%这是创建一个半径为5的平坦圆盘结构元素
A2=imopen(A1,se1);
subplot(222),imshow(A2);title('开运算');
%%自带闭运算
A3=imclose(A1,se1);
subplot(223),imshow(A3);title('闭运算');
%% 第2副图像
A1=imread('./5.jpg');
%subplot(234),imshow(A1);title('原始图像');
se1=strel('disk',20);%这是创建一个半径为5的平坦圆盘结构元素
A2=imclose(A1,se1);
%subplot(235),imshow(A2);title('闭运算');
%%自带闭运算
A3=imopen(A1,se1);
%subplot(236),imshow(A3);title('开运算');

这里写图片描述

开运算:将较细的线断开,消除突出物
闭运算:弥合较窄的沟壑和细长的线段

这里写图片描述

对比上图中两幅原始图像(反相)的开运算和闭运算,可以发现,对背景(黑色区域)的开运算相当于对目标(白色区域)的闭运算;对目标(白色区域)的开运算相当于对背景(黑色区域)的闭运算。

击中或击不中变换

击中或击不中变换是形状检测的一个基本工具。假设集合B由B1和B2组合成,B1对图像A腐蚀,B2对图像的补集腐蚀,两者得到的结果相减即为B在图像A中的匹配。
可以参考知乎中的解释:https://www.zhihu.com/question/23669012


%% 击中击不中变换
clc
clear
A=im2bw(rgb2gray(imread('./AT9A3130.JPG')));
subplot(161);imshow(A);title('原始图像');
B=~A;
se1= strel('disk',3);
se2= strel('disk',5);
A11=imerode(A,se1);
A1=mat2gray(A11);
subplot(162);imshow(A1);title('se1腐蚀');
A22=imerode(B,se2);
A2=mat2gray(A22);
subplot(163);imshow(A2);title('se2腐蚀');
subplot(164);imshow(mat2gray(A-A1));title('原图减去腐蚀1的结果');
subplot(165);imshow(mat2gray(A1-A2));title('击中击不中结果');
subplot(166);imshow(mat2gray(~(abs(A1-A2))));title('上图结果取绝对值再取反');
这里写图片描述
上图中原图减去se1腐蚀结果的图像,可以用来做边界提取
空洞修复

%% 空洞修复
A=im2bw(imread('./AT9A3130.JPG'));
subplot(221);imshow(A);title('原始图像');
B=imfill(A,'holes');
subplot(222);imshow(B);title('填充后图像');
%% 注解
BW4 = im2bw(imread('kongdong.jpg'));
subplot(223);imshow(BW4);title('原始图像');
BW5 = imfill(BW4,'holes');
subplot(224);imshow(BW5);title('填充后');

这里写图片描述
如何控制空洞的大小呢???
- 未完待续…

这篇关于第9章 形态学处理的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1068085

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

Thymeleaf:生成静态文件及异常处理java.lang.NoClassDefFoundError: ognl/PropertyAccessor

我们需要引入包: <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-thymeleaf</artifactId></dependency><dependency><groupId>org.springframework</groupId><artifactId>sp

jenkins 插件执行shell命令时,提示“Command not found”处理方法

首先提示找不到“Command not found,可能我们第一反应是查看目标机器是否已支持该命令,不过如果相信能找到这里来的朋友估计遇到的跟我一样,其实目标机器是没有问题的通过一些远程工具执行shell命令是可以执行。奇怪的就是通过jenkinsSSH插件无法执行,经一番折腾各种搜索发现是jenkins没有加载/etc/profile导致。 【解决办法】: 需要在jenkins调用shell脚

明明的随机数处理问题分析与解决方案

明明的随机数处理问题分析与解决方案 引言问题描述解决方案数据结构设计具体步骤伪代码C语言实现详细解释读取输入去重操作排序操作输出结果复杂度分析 引言 明明生成了N个1到500之间的随机整数,我们需要对这些整数进行处理,删去重复的数字,然后进行排序并输出结果。本文将详细讲解如何通过算法、数据结构以及C语言来解决这个问题。我们将会使用数组和哈希表来实现去重操作,再利用排序算法对结果

8. 自然语言处理中的深度学习:从词向量到BERT

引言 深度学习在自然语言处理(NLP)领域的应用极大地推动了语言理解和生成技术的发展。通过从词向量到预训练模型(如BERT)的演进,NLP技术在机器翻译、情感分析、问答系统等任务中取得了显著成果。本篇博文将探讨深度学习在NLP中的核心技术,包括词向量、序列模型(如RNN、LSTM),以及BERT等预训练模型的崛起及其实际应用。 1. 词向量的生成与应用 词向量(Word Embedding)

使用协程实现高并发的I/O处理

文章目录 1. 协程简介1.1 什么是协程?1.2 协程的特点1.3 Python 中的协程 2. 协程的基本概念2.1 事件循环2.2 协程函数2.3 Future 对象 3. 使用协程实现高并发的 I/O 处理3.1 网络请求3.2 文件读写 4. 实际应用场景4.1 网络爬虫4.2 文件处理 5. 性能分析5.1 上下文切换开销5.2 I/O 等待时间 6. 最佳实践6.1 使用 as

Level3 — PART 3 — 自然语言处理与文本分析

目录 自然语言处理概要 分词与词性标注 N-Gram 分词 分词及词性标注的难点 法则式分词法 全切分 FMM和BMM Bi-direction MM 优缺点 统计式分词法 N-Gram概率模型 HMM概率模型 词性标注(Part-of-Speech Tagging) HMM 文本挖掘概要 信息检索(Information Retrieval) 全文扫描 关键词

PHP7扩展开发之数组处理

前言 这次,我们将演示如何在PHP扩展中如何对数组进行处理。要实现的PHP代码如下: <?phpfunction array_concat ($arr, $prefix) {foreach($arr as $key => $val) {if (isset($prefix[$key]) && is_string($val) && is_string($prefix[$key])) {$arr[

PHP7扩展开发之字符串处理

前言 这次,我们来看看字符串在PHP扩展里面如何处理。 示例代码如下: <?phpfunction str_concat($prefix, $string) {$len = strlen($prefix);$substr = substr($string, 0, $len);if ($substr != $prefix) {return $prefix." ".$string;} else