当前位置：首页 > java >正文

Opencv 形态学与梯度运算

java 2025/8/18 8:10:59

形态学梯度运算

1.腐蚀操作

import numpy as np
kernel = np.ones((3,3),np.uint8)
erosion=cv2.erode(img,kernel,iterations=3) ##注意腐蚀操作是白色变为黑色,因为白色值为255，黑色为0，是数值变小，注意和膨胀区分
cv2.imshow('erosion',erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.膨胀操作

kernel = np.ones((3,3),np.uint8)
dilate = cv2.dilate(img,kernel,iterations=1)
cv2.imshow('dilate',dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.开运算

# 开运算：先腐蚀，再膨胀
img=cv2.imread(r'C:\learn\MarkDown\anconda\fushi.png')
kernel=np.ones((5,5),np.uint8)
opening=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
cv2.imshow('opening',opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.闭运算

# 闭：先膨胀，再腐蚀
img=cv2.imread(r'C:\learn\MarkDown\anconda\fushi.png')
kernel=np.ones((5,5),np.uint8)
opening=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
cv2.imshow('opening',opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

5. 礼貌操作

### 礼帽=原始图像-开运算结果（先腐蚀再膨胀） 原始图像（带毛刺的）-（先腐蚀再膨胀之后的没毛刺了） 所以只剩下毛刺了
### 黑帽=闭运算 -原始图像
import cv2
import numpy as np
img=cv2.imread(r'C:\learn\MarkDown\anconda\fushi.png')
kernel=np.ones((5,5),np.uint8)
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
cv2.imshow('top',tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

6.黑帽操作

#黑帽操作=闭运算-原始输入（闭运算先膨胀再腐蚀（有刺）-原始图像（有刺）=剩下的原始图像的轮廓（没刺））
img=cv2.imread(r'C:\learn\MarkDown\anconda\fushi.png')
blackhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow('blackhat',blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.图像梯度Sobel算子(类似于高斯函数形式)

在这里插入图片描述

dst=cv2.Sobel(src,depth,dx,dy,ksize)

deppth:图像深度
dx和dy水平和竖直方向
ksize是Sobel算子的大小

def cv_show(name,img): # 定义函数加:cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()

# 水平方向 是右边-左边（由于圆图的左半部分右边是白色减去黑色就是左半边缘，右半部分黑色-白色是负值所以还是黑色）
sobelX = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show('img',sobelX)

白到黑是正数，黑到白就是负数了，所有负数都会被截断为0，所以要取绝对值

# 计算水平方向
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
cv_show('sobelx',sobelx)

#计算竖直方向
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
cv_show('sobely',sobely)

#进行x和y方向的求和
sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show('sobelxy',sobelxy)

OpenCv中不建议建议直接使用Gx和Gy一起使用

sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3) #不建议这么使用，弃用
cv_show('sobelxy',sobelxy)

整体使用lena图片操作使用sobel算子计算边缘

img=cv2.imread(r'C:\learn\MarkDown\anconda\lena.png',cv2.IMREAD_GRAYSCALE)
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show('sobelxy',sobelxy)

8. Scharry 算子和Laplacian算子

在这里插入图片描述

三种算子比较 Scharr算子（相对于sobel算子上下，左右方向差值更大，计算的结果差值更明显）更能捕捉到梯度的细节，laplcaian算子相当于二阶导（相当于变化率），对于噪音点也更敏感。

import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread(r'C:\learn\MarkDown\anconda\lena.png',cv2.IMREAD_GRAYSCALE)
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)#img=cv2.imread(r'C:\learn\MarkDown\anconda\lena.png',cv2.IMREAD_GRAYSCALE)
Scharrx=cv2.Scharr(img,cv2.CV_64F,1,0)
Scharrx=cv2.convertScaleAbs(Scharrx)
Scharry=cv2.Scharr(img,cv2.CV_64F,0,1)
Scharry=cv2.convertScaleAbs(Scharry)
Scharrxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)laplacian=cv2.Laplacian(img,cv2.CV_64F)
Laplacian=cv2.convertScaleAbs(laplacian)res=np.hstack((sobelxy,Scharrxy,Laplacian))
cv_show('res',res)