实验6 形态学图像处理

news2024/11/22 22:47:40

1. 实验目的

①掌握数字图像处理中，形态学方法的基本思想；
②掌握膨胀、腐蚀、开运算、闭运算等形态学基本运算方法；
③能够利用形态学基本运算方法，编程实现图像去噪，边界提取等功能。

2. 实验内容

①调用Matlab / Python+OpenCV中的相关函数，实现图像的膨胀、腐蚀、
开、闭运算。
②调用Matlab / Python+OpenCV中的相关函数，使用形态学基本算法，实
现图像去噪，并改变结构元素的尺寸和形状，观察去噪效果。
③调用Matlab / Python+OpenCV中的相关函数，实现对二值图像的边界提
取。
④自行编写代码，实现图像细化。

3. 实验过程

3.1 形态学基本运算

调用Matlab / Python+OpenCV库中的函数，实现图像的膨胀、腐蚀、开、闭运算。

3.1.1 图像的膨胀与腐蚀

选择或设计合适的二值图像，使用相同的结构元素对图像分别进行3次膨胀和3次腐蚀操作，记录图像的变化过程与结果。
⑴ 主要调用的函数、功能及参数说明

函数名函数功能参数说明
imread(A)读取图片A：图片在文件夹的位置
imdilate(A,B)膨胀函数A：图片 B：膨胀的结构元素
imerode(A,B)腐蚀函数A：图片 B：腐蚀的结构元素
stel(A,n)构建结构元素A：结构类型 n：结构元素大小
**⑵ 源代码及实验结果(添加必要注释)** 
image=imread('lena.png');
A1=im2bw(image);
%imdilate膨胀
B=[0 1 0
   1 1 1
   0 1 0];
A2=imdilate(A1,B);%图像A1被结构元素B膨胀
A3=imdilate(A2,B);
A4=imdilate(A3,B);
%imerode腐蚀
%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',1);%这里是创建一个半径为1的平坦型圆盘结构元素
B2=imerode(A1,se1);
B3=imerode(B2,se1);
B4=imerode(B3,se1);

figure;
subplot(221),imshow(A1);title('imdilate膨胀原始图像');
subplot(222),imshow(A2);title('使用B后1次膨胀后的图像');
subplot(223),imshow(A3);title('使用B后2次膨胀后的图像');
subplot(224),imshow(A4);title('使用B后3次膨胀后的图像');

figure;
subplot(221),imshow(A1);title('imerode腐蚀原始图像');
subplot(222),imshow(B2);title('使用结构原始disk(1)后1次腐蚀后的图像');
subplot(223),imshow(B3);title('使用结构原始disk(1)后2次腐蚀后的图像');
subplot(224),imshow(B4);title('使用结构原始disk(1)后3次腐蚀后的图像');

在这里插入图片描述
⑶ 总结

膨胀：将模板与以每个像素为中心的33矩阵做点乘，并求和结果矩阵，如果结果大于0，则表示矩阵范围内有1值，可膨胀。腐蚀：将模板与以每个像素为中心的33矩阵做点乘，并求和结果矩阵，则表示模板中所有的像素都为1值，不可腐蚀。

3.1.2 图像的开运算与闭运算

选择或设计合适的二值图像，分别对图像进行开操作、闭操作、先开后闭操作和先闭后开操作，并记录图像的变化过程与结果。
⑴ 主要调用的函数、功能及参数说明

函数名函数功能参数说明
imread(A)读取图片A：图片在文件夹的位置
imdilate(A,B)膨胀函数A：图片 B：膨胀的结构元素
imerode(A,B)腐蚀函数A：图片 B：腐蚀的结构元素
stel(A,n)构建结构元素A：结构类型 n：结构元素大小
imopen(A,B)开运算函数A：图片 B：开运算的结构元素
imclose(A,B)闭运算函数A：图片 B：闭运算的结构元素
im2bw(A)二值转化A：图片

⑵ 源代码及实验结果(添加必要注释)

image=imread('lena.png');
A1=im2bw(image);
se=strel('disk',2);%圆盘型结构元素

B1=imdilate(A1,se);%膨胀
C1=imerode(B1,se);%先膨胀再腐蚀 闭运算
B2=imerode(A1,se);%腐蚀
C2=imdilate(B2,se);%先腐蚀后膨胀 开运算

B3=imerode(C1,se);%腐蚀闭运算后图像
C3=imdilate(B3,se);%先腐蚀后膨胀 先闭后开
B4=imdilate(C2,se);%膨胀开运算后图像
C4=imerode(B4,se);%先膨胀再腐蚀 先开后闭

figure,
subplot(231),imshow(A1);title('原始图像');
subplot(232),imshow(C2);title('开运算');
subplot(233),imshow(C1);title('闭运算');
subplot(235),imshow(C4);title('先开后闭运算');
subplot(236),imshow(C3);title('先闭后开运算');

在这里插入图片描述
⑶ 总结
开运算消除图像毛刺以及椒盐噪声；闭运算可以填平轮廓内部缺失部分。

3.2 形态学图像去噪

选择或设计合适的二值图像，在Matlab / Python+OpenCV中，调用相关函数，综合使用形态学算法，实现图像去噪；尝试改变结构元素的大小和形状，观察去噪效果；使用不同的图像，观察去噪效果。
⑴ 主要调用的函数、功能及参数说明

函数名函数功能参数说明
imread(A)读取图片A：图片在文件夹的位置
imdilate(A,B)膨胀函数A：图片 B：膨胀的结构元素
imerode(A,B)腐蚀函数A：图片 B：腐蚀的结构元素
stel(A,n)构建结构元素A：结构类型 n：结构元素大小
im2bw(A)二值转化A：图片

⑵ 源代码及实验结果(添加必要注释)

image=imread('lena.png');
Y1=imnoise(image,'salt & pepper',0.02);%椒盐
A1=im2bw(Y1);

se=strel('disk',1);%创建一个半径为1的平坦型圆盘结构元素
se1=strel('disk',2);%创建一个半径为2的平坦型圆盘结构元素
se2=strel('square',2);%创建2*2的正方形结构元素
se3=strel('square',3);%创建3*3的正方形结构元素

B1=imerode(A1,se);%腐蚀
C1=imdilate(B1,se);%先腐蚀后膨胀 开运算
B2=imerode(A1,se1);%腐蚀
C2=imdilate(B2,se1);%先腐蚀后膨胀 开运算
B3=imerode(A1,se2);%腐蚀
C3=imdilate(B3,se2);%先腐蚀后膨胀 开运算
B4=imerode(A1,se3);%腐蚀
C4=imdilate(B4,se3);%先腐蚀后膨胀 开运算

figure,
subplot(231),imshow(A1);title('二值化噪音原图');
subplot(232),imshow(C1);title('半径为1圆盘结构元素');
subplot(233),imshow(C2);title('半径为2圆盘结构元素');
subplot(235),imshow(C3);title('2*2的正方形结构元素');
subplot(236),imshow(C4);title('3*3的正方形结构元素');

在这里插入图片描述

3.3 形态学边界提取

选择或设计合适的二值图像，在Matlab / Python+OpenCV中，调用相关函数，综合使用形态学算法，实现对图像的边界提取。
⑴ 主要调用的函数、功能及参数说明

函数名函数功能参数说明
imread(A)读取图片A：图片在文件夹的位置
rgb2gray(A)灰度转化A：图片
graythresh(A)最大类间方差法找阈值A：灰度图片
bwperim (A)查找二值图像的边缘A：图片
entropyfilt (A)创建纹理图像A：图片
mat2gray((A)矩阵转灰度图像A：图片
im2bw(A)二值转化A：图片
bwareaopen(A)提取区域纹理A：提取条件
rangefilt(A,B)rangefilt滤波A：图片 B：矩阵

⑵ 源代码及实验结果(添加必要注释)

%边缘代码一：
image=imread('lena.png');

A=rgb2gray(image);
B=graythresh(A);%使用最大类间方差法找到图片的一个合适的阈值
B1=im2bw(A,B);%将输入图像中亮度大于B的所有像素替换为值1（白色），将所有其他像素替换为值0（黑色）
C=bwperim(B1);%查找二值图像的边缘

subplot(1,2,1),imshow(A),title('原图像');
subplot(1,2,2),imshow(C),title('边缘提取后的图像');

%边缘代码二：
% image=imread('D:\picture\1.jpg');
% img=rgb2gray(image);
% 
% img_1 = entropyfilt(img);  %创建纹理图像
% img_2 = mat2gray(img_1);  %转化为灰度图像
% img_3 = im2bw(img_2,0.7);  %转化为二值图像
% img_4 = bwareaopen((1-img_3),3000,8); %提取区域纹理
% img_5= rangefilt (img,ones(7));  %rangefilt滤波
% 
% subplot(2,3,1),imshow(img),title('原图像');
% subplot(2,3,2),imshow(img_2),title('纹理图像');
% subplot(2,3,3),imshow(img_3),title('二值图像');
% subplot(2,3,4),imshow(img_4),title('不同区域纹理图像');
% subplot(2,3,5),imshow(img_5),title('滤波后图像');

在这里插入图片描述
⑶ 总结
MATLAB工具中提供了用于边缘提取的bwperim( )函数，由bwperim( )函数可以实现各算子对图像边缘的提取。

4. 实验小结

①为了更好的观察和对比不同形态学运算的效果，应如何设计或选择实验图像？
答：颜色特征、形状特征、纹理特征、空间关系特征，描述了图像或图像区域所对应的景物的表面性质。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好的捕捉图像中对象的局部特征。形状特征是统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。

②使用同样的结构元素对同一副图像先膨胀后腐蚀，和先腐蚀后膨胀，得到的结果一样吗？增加膨胀和腐蚀的次数，会得到怎样的效果？
答：不同。
膨胀操作会扩大（粗化）图像中物体的轮廓，可以用来弥补（填充）物体间的孔洞，强化离散点，代价是导致物体的面积比原来的面积要大。腐蚀操作会收缩（细化）图像中物体的轮廓，可以用来断开（分离）物体间的连接，消除离散点，代价是导致物体的面积比原来的面积要小。

③应用形态学方法对图像去噪时，结构元素的形状和大小会怎样影响去噪结果？
答：结构元素在形态学中的作用类似于信号处理时的“滤波窗口”其形状和大小将直接影响形态滤波的输出结果

④查阅资料，并结合实验结果，简述形态学方法的主要应用，并思考其具备哪些优点、不足和局限性。
答：消除噪声、边界提取、区域填充、连通分量提取、凸壳、细化、粗化等；分割出独立的图像元素，或者图像中相邻的元素；求取图像中明显的极大值区域和极小值区域；求取图像梯度。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1880075.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

数据资产铸就市场竞争优势：运用先进的数据分析技术，精准把握市场脉搏，构建独特的竞争优势，助力企业实现市场领先地位，赢得持续成功

数据资产铸就市场竞争优势：运用先进的数据分析技术，精准把握市场脉搏，构建独特的竞争优势，助力企业实现市场领先地位，赢得持续成功

目录 一、引言 二、数据资产的重要性 三、先进数据分析技术的应用 1、大数据分析技术 2、人工智能与机器学习 3、数据可视化技术 四、精准把握市场脉搏 1、深入了解客户需求 2、预测市场趋势 3、优化资源配置 五、构建独特的竞争优势 1、定制化产品和服务 2、精准营…
阅读更多...
计算机网络原理及应用

计算机网络原理及应用

第一章 计算机网络概述 【1】局域网 局域网是指在某一区域内由多台计算机互联而成的计算机通信网络。 【1】互通 两个网络之间可以交换数据。 第二章 计算机网络的体系结构 【1】语义 何时发出何种控制信息，完成何种动作以及做出何种响应。 【2】简述网络协…
阅读更多...
1Panel运维利器：功能详解与实操指南

1Panel运维利器：功能详解与实操指南

官网地址:https://1panel.cn/ 1Panel简介 1Panel是杭州飞致云信息科技有限公司旗下产品，是一款现代化、开源的Linux服务器运维管理面板，于2023年3月推出。 名称：1Panel开源Linux面板 所属公司：杭州飞致云信息科技有限公司 编写语…
阅读更多...
【C++】————string基础用法及部分函数底层实现

【C++】————string基础用法及部分函数底层实现

作者主页： 作者主页 本篇博客专栏：C 创作时间 ：2024年6月30日 前言： 本文主要介绍STL容器之一 ---- string，在学习C的过程中，我们要将C视为一个语言联邦（摘录于Effective C 条款一&#x…
阅读更多...
智能旅行规划的未来：大模型与形式化验证的融合

智能旅行规划的未来：大模型与形式化验证的融合

我们在做旅行规划时面对众多的目的地选择、复杂的交通连接、预算限制以及个人偏好等多重因素，即使是最有经验的旅行者也可能会陷入选择困境。传统的旅行规划方法往往依赖于人工操作，这不仅耗时耗力，而且难以保证计划的最优性和可执行性。 本…
阅读更多...
Linux——/etc/passwd文件含义，grep，cut

Linux——/etc/passwd文件含义，grep，cut

/etc/passwd文件含义 作用 - 记录用户账户信息：共分为7段，使用冒号分割 含义 - 文件内容意义：账户名：密码代号x：UID：GID：注释：家目录：SHELL - 第7列/sbin/nologin&#x…
阅读更多...
sheng的学习笔记-AI-聚类(Clustering)

sheng的学习笔记-AI-聚类(Clustering)

ai目录 sheng的学习笔记-AI目录-CSDN博客 基础知识 什么是聚类 在“无监督学习”(unsupervised learning)中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。此类学…
阅读更多...
WAIC2024 | 华院计算邀您共赴2024年世界人工智能大会，见证未来科技革新

WAIC2024 | 华院计算邀您共赴2024年世界人工智能大会，见证未来科技革新

在智能时代的浪潮汹涌澎湃之际，算法已成为推动社会进步的核心力量。作为中国认知智能技术的领军企业，华院计算在人工智能的广阔天地中，不断探索、创新，致力于将算法的潜力发挥到极致。在过去的时日里，华院计算不断探索…
阅读更多...
昇思25天学习打卡营第7天|模型训练

昇思25天学习打卡营第7天|模型训练

模型训练 模型训练一般分为四个步骤： 构建数据集。定义神经网络模型。定义超参、损失函数及优化器。输入数据集进行训练与评估。 前面几天依次学习了前面几个步骤的操作，今天继续学习模型训练。 数据集和神经网络模型这个前面已经有详细的介绍。准确…
阅读更多...
力扣SQL50 连续出现的数字 distinct

力扣SQL50 连续出现的数字 distinct

Problem: 180. 连续出现的数字 👨‍🏫 力扣官解 Code SELECT DISTINCTl1.Num AS ConsecutiveNums FROMLogs l1,Logs l2,Logs l3 WHEREl1.Id l2.Id - 1AND l2.Id l3.Id - 1AND l1.Num l2.NumAND l2.Num l3.Num ;
阅读更多...
线程安全问题（二）——死锁

线程安全问题（二）——死锁

死锁 前言可重入锁逻辑 两个线程两把锁（死锁）死锁的特点多个线程多把锁（哲学家就餐问题）总结 前言 在前面的文章中，介绍了锁的基本使用方式——锁 在上一篇文章中，通过synchronized关键字进行加锁操作&am…
阅读更多...
只需10分钟1条，全是原创精美视频，拆分8个步骤详细讲解！

只需10分钟1条，全是原创精美视频，拆分8个步骤详细讲解！

不少朋友在问如何快速学习剪辑视频，网上还有很多在收几百到几千学费。其实所有的付费，都是认知与信息差。 这篇文章我直接讲干货，内容不多，大概3分钟可以看完。所有步骤都是富哥亲测的内容，每条视频长达1分钟以上&…
阅读更多...
检索增强生成RAG系列4--RAG优化之问题优化

检索增强生成RAG系列4--RAG优化之问题优化

在系列2的章节中罗列了对RAG准确度的几个重要关键点，主要包括2方面，这一章就针对其中问题优化来做详细的讲解以及其解决方案。 从系列2中，我们知道初始的问题可能对于查询结果不是很好，可能是因为问题表达模糊、语义与文档不一致等…
阅读更多...
职场必备：三大神器助你完美驾驭工作与生活；从 GTD 到SMART再到OKR：提升效率的终极指南；告别拖延，高效工作的秘密武器！

职场必备：三大神器助你完美驾驭工作与生活；从 GTD 到SMART再到OKR：提升效率的终极指南；告别拖延，高效工作的秘密武器！

在现代职场和个人生活中，有效的时间管理和目标设定是成功的关键。我们每天都面临着无数的任务和目标。如何在纷繁复杂的日常中保持专注，高效地完成工作？ GTD（Getting Things Done） GTD（Getting Things Don…
阅读更多...
容器技术-docker4

容器技术-docker4

一、docker资源限制 在使用 docker 运行容器时，一台主机上可能会运行几百个容器，这些容器虽然互相隔离，但是底层却使用着相同的 CPU、内存和磁盘资源。如果不对容器使用的资源进行限制，那么容器之间会互相影响，小的来说…
阅读更多...
Qt：5.QWidget属性介绍(isEnabled和geometry)

Qt：5.QWidget属性介绍(isEnabled和geometry)

目录 一、 QWidget属性的介绍： 二、Enabled属性： 2.1Enabled属性的介绍： 2.2获取控件当前可用状态的api——isEnabled()： 2.3设置控件当前的可用状态的api—— setEnabled() ： 2.4 实例：通过一个按钮&…
阅读更多...
Gin框架基础

Gin框架基础

1、一个简单的Gin示例 下载并安装Gin: go get -u github.com/gin-gonic/gin1.1 一个简单的例子 package mainimport ("net/http""github.com/gin-gonic/gin" )func main() {// 创建一个默认的路由引擎r : gin.Default()// 当客户端以GET方式访问 /hello…
阅读更多...
企业化运维(6)_redis数据库

企业化运维(6)_redis数据库

Redis（Remote Dictionary Server )，即远程字典服务，是一个开源的使用ANSIC语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库，并提供多种语言的API。 redis是一个key-value存储系统。和Memcached类似&#xff0…
阅读更多...
优化模型验证30：多车场车辆路径问题模型及Gurobipy验证

优化模型验证30：多车场车辆路径问题模型及Gurobipy验证

目录 1 数学模型 1.1 用到的符号集合 1.2 模型公式 2 模型验证代码 2.1 Gurobipy代码 2.2 结果可视化 多车场车辆路径问题的定义：大型的物流公司拥有多个车场,而每个车场都有若干车辆用于配送，决策者需要根据客户的所在位置，将客户分配到合适的车场和车辆中。 1 数学模…
阅读更多...
深度学习基准模型Transformer

深度学习基准模型Transformer

深度学习基准模型Transformer 深度学习基准模型Transformer，最初由Vaswani等人在2017年的论文《Attention is All You Need》中提出，是自然语言处理（NLP）领域的一个里程碑式模型。它在许多序列到序列（seq2seq&#xf…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023