图像处理之二值膨胀及应用

简介: 图像处理之二值膨胀及应用 基本原理: 膨胀是图像形态学的两个基本操作之一,另外一个是腐蚀操作。最典型的应用是在二值图像 中使用这两个基本操作,是很多识别技术中重要的中间处理步骤。在灰度图像中根据阈值同 样可以完成膨胀与腐蚀操作。

图像处理之二值膨胀及应用

基本原理:

膨胀是图像形态学的两个基本操作之一,另外一个是腐蚀操作。最典型的应用是在二值图像

中使用这两个基本操作,是很多识别技术中重要的中间处理步骤。在灰度图像中根据阈值同

样可以完成膨胀与腐蚀操作。对一幅二值图像f(x,y)完成膨胀操作,与对图像的卷积操作类

似,要有个操作数矩阵,最常见的为3X3的矩阵,与卷积操作不同的,是如果矩阵中的像素

点有任意一个点的值是前景色,则设置中心像素点为前景色,否则不变。

关于卷积参考这里:http://blog.csdn.net/jia20003/article/details/7038938

 

程序效果:(上为源图,下为膨胀以后效果)


程序原理:

首先把一幅彩色图像转换为灰度图像,转换方法参见这里

http://blog.csdn.net/jia20003/article/details/7392325

然根据像素平均值作为阈值,转换为二值图像,转换方法参见这里

http://blog.csdn.net/jia20003/article/details/7392325

最后在二值图像上使用膨胀操作,输出处理以后图像

源代码:

package com.gloomyfish.morphology;

import java.awt.Color;
import java.awt.image.BufferedImage;

public class DilateFilter extends BinaryFilter {
	
	public DilateFilter() {
		forgeColor = Color.WHITE;
	}
	
	private Color forgeColor;

	public Color getForgeColor() {
		return forgeColor;
	}

	public void setForgeColor(Color forgeColor) {
		this.forgeColor = forgeColor;
	}

	@Override
	public BufferedImage filter(BufferedImage src, BufferedImage dest) {
		int width = src.getWidth();
        int height = src.getHeight();

        if ( dest == null )
        	dest = createCompatibleDestImage( src, null );

        int[] inPixels = new int[width*height];
        int[] outPixels = new int[width*height];
        src = super.filter(src, null); // we need to create new one
        getRGB( src, 0, 0, width, height, inPixels );
        int index = 0, index1 = 0, newRow = 0, newCol = 0;
        int ta1 = 0, tr1 = 0, tg1 = 0, tb1 = 0;
        for(int row=0; row<height; row++) {
        	int ta = 0, tr = 0, tg = 0, tb = 0;
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
        		ta = (inPixels[index] >> 24) & 0xff;
                tr = (inPixels[index] >> 16) & 0xff;
                tg = (inPixels[index] >> 8) & 0xff;
                tb = inPixels[index] & 0xff;
                boolean dilation = false;
                for(int offsetY=-1; offsetY<=1; offsetY++) {
                	for(int offsetX=-1; offsetX<=1; offsetX++) {
                		if(offsetY==0 && offsetX==0) {
                			continue;
                		}
                		newRow = row + offsetY;
                		newCol = col + offsetX;
                		if(newRow <0 || newRow >=height) {
                			newRow = 0;
                		}
                		if(newCol < 0 || newCol >=width) {
                			newCol = 0;
                		}
                		index1 = newRow * width + newCol;
                		ta1 = (inPixels[index1] >> 24) & 0xff;
                        tr1 = (inPixels[index1] >> 16) & 0xff;
                        tg1= (inPixels[index1] >> 8) & 0xff;
                        tb1 = inPixels[index1] & 0xff;
                        if(tr1 == forgeColor.getRed() && tg1 == tb1) {
	                        dilation = true;
	                        break;
                        }
                	}
                	if(dilation){
                		break;
                	}
                }
                
                if(dilation) {
                	tr = tg = tb = forgeColor.getRed();
                } else {
                	tr = tg = tb = 255 - forgeColor.getRed();
                }
                outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;
        	}
        }
        setRGB( dest, 0, 0, width, height, outPixels );
        return dest;
	}

}
其实,膨胀还可以被用来进行对二值图像完成边缘提取,其基本做法如下:

1. 对一副黑白的图像完成膨胀操作

2.将膨胀以后的图像与原来的图像在每个像素位上相减

3.显示相减以后的图像,即得到边缘。

sorry,没有源代码!

目录
相关文章
|
9月前
|
存储 分布式计算 MaxCompute
使用PAI-FeatureStore管理风控应用中的特征
PAI-FeatureStore 是阿里云提供的特征管理平台,适用于风控应用中的离线和实时特征管理。通过MaxCompute定义和设计特征表,利用PAI-FeatureStore SDK进行数据摄取与预处理,并通过定时任务批量计算离线特征,同步至在线存储系统如FeatureDB或Hologres。对于实时特征,借助Flink等流处理引擎即时分析并写入在线存储,确保特征时效性。模型推理方面,支持EasyRec Processor和PAI-EAS推理服务,实现高效且灵活的风险控制特征管理,促进系统迭代优化。
179 6
|
Web App开发
笔记本电脑能连接WiFi但浏览器无法打开网页的解决办法
笔记本电脑能连接WiFi但浏览器无法打开网页的解决办法
16348 0
笔记本电脑能连接WiFi但浏览器无法打开网页的解决办法
|
程序员 Python
Flask 路由分发及转换器
Flask 路由分发及转换器
|
XML 缓存 Java
工作流Activiti框架的事务和并发!流程引擎中异步和排他操作详细解析
本篇文章介绍了在工作流的场景下项目中的事务操作和并发操作。主要内容包括异步操作和排他任务。通过这篇文章,可以了解到在工作流Activiti框架中处理事务操作的具体方式以及排他任务机制保证的在同一个流程实例中的Job不会并发执行。在阅读完这篇文章,基本上就能清楚地了解了工作流Activiti框架中的并发处理了。
1906 0
工作流Activiti框架的事务和并发!流程引擎中异步和排他操作详细解析
|
SQL 分布式计算 Java
UDF精简使用大全
在MaxCompute开发过程中,开发同学遇到的的一些复杂逻辑该如何处理,如何在MaxCompute开发不同场景下的UDF函数?带着这个问题,本文针对UDF的各方面内容做出介绍,其中涉及UDF对应不同语言的类型映射关系、以及对应UDF在重载、访问网络、引用表与资源、以及第三方包的使用为大家做出展示。
6369 0
|
2天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
13天前
|
弹性计算 关系型数据库 微服务
基于 Docker 与 Kubernetes(K3s)的微服务:阿里云生产环境扩容实践
在微服务架构中,如何实现“稳定扩容”与“成本可控”是企业面临的核心挑战。本文结合 Python FastAPI 微服务实战,详解如何基于阿里云基础设施,利用 Docker 封装服务、K3s 实现容器编排,构建生产级微服务架构。内容涵盖容器构建、集群部署、自动扩缩容、可观测性等关键环节,适配阿里云资源特性与服务生态,助力企业打造低成本、高可靠、易扩展的微服务解决方案。
1286 5
|
12天前
|
机器学习/深度学习 人工智能 前端开发
通义DeepResearch全面开源!同步分享可落地的高阶Agent构建方法论
通义研究团队开源发布通义 DeepResearch —— 首个在性能上可与 OpenAI DeepResearch 相媲美、并在多项权威基准测试中取得领先表现的全开源 Web Agent。
1318 87