Python opencv图像膨胀与腐蚀处理实例探究
作者：电路小白 实在太懒于是不想取名
这篇文章主要介绍了Python opencv图像膨胀与腐蚀处理实例探究
Python opencv图像膨胀腐蚀
需要注意的是，这里的腐蚀和膨胀时对于白色部分而言的，而不是黑色部分！！
字体的大小就是常见的图像的腐蚀和膨胀。腐蚀和膨胀可以很好的去除掉图像中的噪声点，消除物体边界附近的像素。
实现步骤
首先是导入相关的库
import cv2 import numpy as np import matplotlib.pyplot as plt
opencv的函数来读取图像
之后利用opencv的函数来读取我们的图像。
# 读取图像
img = cv2.imread('C:/Users/13256/Desktop/11.tif', cv2.IMREAD_GRAYSCALE)定义结构元素来确定我们的卷积运算大小
# 定义结构元素（核） kernel = np.ones((5, 5), np.uint8)
利用opencv的内置函数来进行膨胀运算
# 膨胀操作 dilated_img = cv2.dilate(img, kernel, iterations=1)
最后显示图像
# 显示原始图像、膨胀后的图像
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('原始图像')
plt.subplot(1, 2, 2), plt.imshow(dilated_img, cmap='gray'), plt.title('膨胀操作后的图像')
plt.show()
可以看到膨胀操作更凸显出图片的轮廓和边界
运行
将膨胀函数方法换成腐蚀，之后再运行我们的代码。
# 腐蚀操作 dilated_img = cv2.erode(img, kernel, iterations=1)
以下附上全部代码
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像
img = cv2.imread('C:/Users/13256/Desktop/11.tif', cv2.IMREAD_GRAYSCALE)
# 定义结构元素（核）
kernel = np.ones((5, 5), np.uint8)
# 膨胀操作
dilated_img = cv2.erode(img, kernel, iterations=1)
# 显示原始图像、膨胀后的图像
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('原始图像')
plt.subplot(1, 2, 2), plt.imshow(dilated_img, cmap='gray'), plt.title('膨胀操作后的图像')
plt.show()以上就是Python opencv图像膨胀与腐蚀处理实例探究的详细内容，更多关于Python opencv图像膨胀腐蚀的资料请关注脚本之家其它相关文章！