原始图像

生成者：

膨胀过程

使用一个 2x1 矩形作为中心点 (0,0) 的内核：

处理者：

预期产出

实际输出

问题

为什么输出出乎意料？我想知道 ImageMagick 如何处理膨胀。

以下是我的理解：

当内核的中心点迭代到原图的位置（0,1）时：

我认为 (0,1) 应该1在 AND 操作之后。

我是图像处理的新手，正在尝试编写用于腐蚀和膨胀的自定义方法。然后我尝试将我的结果与 OpenCV 腐蚀和膨胀函数结果进行比较。我给输入图像填充一个零，然后将内核与填充图像重叠。这是我的功能：

膨胀结果匹配，但腐蚀结果不匹配。我不确定为什么会这样。是因为一些填充问题吗？OpenCV 是否填充图像？还是我错误地执行了腐蚀方法？这是结果的图像：

这是我在 Stack Overflow 上的第一篇文章，如果问题没有得到足够的定义，我很抱歉。

我目前正在从图像中提取表格数据，我需要一种仅在垂直方向上扩展文本的方法，以便获得清晰的列表示，用于进一步分割。

去除水平和垂直线并按位变换图像后，我处于这个阶段：

这个问题的理想目标是：

有没有对我的情况有帮助的方法或算法？

我正在使用 opencv（版本 4.1.0，带有 Python 3.7）对二进制图像执行形态关闭。使用大的关闭内核时，我遇到了边界问题。

我的代码是：

我读了这个问题和这个问题，还有文档，这导致我也尝试 像这样改变borderValue论点morphologyEx()

但是这两种方法都不会导致我想要的。我在下图中总结了他们的行为。

我的原始图像在顶部。我期望的行为是两个点对于小内核（例如，内核 = 1）保持分离，并为足够大的内核合并在一起。
如您所见，对于默认边界（图像的左列），当 kernel = 6 时合并是正确的，但是一旦它变大，点就开始与边界合并。
使用恒定的边界（图像的右列），可以使用更大的内核，但是对于非常大的内核（例如内核 = 20），仍然会发生意外行为，其中点消失。

关闭内核作为最终软件中的用户参数保留，以便能够合并可能非常远的点。所以理想情况下，我需要能够处理比对象和边界之间的距离更大的平滑内核。

原图：

我正在研究手写数字识别问题，使用 OpenCV 进行预处理，使用 Keras/Tensorflow 进行推理。我在预处理中丢失某些功能时遇到问题，这些功能大致包括：

1. 大津门槛
2. 膨胀（使数字厚度与我用来预训练神经网络的另一个数据集相同）
3. 使用 cv2.INTER_AREA 缩小到 28x28 像素（再次匹配预训练数据）

这是一个特征损失的例子：

这意味着是一个 2，顶部循环中的微小间隙对于帮助将其与 9 或 8 区分开来很重要。但是我的预处理版本失去了间隙，所以循环看起来是封闭的。

我已经问过一个类似的问题来保留漏洞并得到了很好的答案，尽管我认为我需要对其进行更多概括。

就像我自己的一个想法一样：也许有一种方法可以在膨胀操作中添加第二个更大的内核。该内核将具有与膨胀内核相同的形状，但只有轮廓（未填充）。然后，如果该轮廓触及原始图像中的任何白色像素，则取消该位置的膨胀动作。

注意：请随意发表评论，以更好的方式提出该标题（“连通性”是我能想到的全部）。

我想为附加图像提取 2 个蒙版中的水平线和垂直线。

我已经尝试过形态学操作来做到这一点，

但问题是，它将线检测为矩形，然后以 2 条线的形式绘制它，代表矩形的 2 条边。

有什么想法可以解决这个问题吗？

图片：

水平结果：

垂直结果：

编辑：这是我的另一张图片：

给定一个值从 0 到 的 2D 数组n，我想通过每个像素包含的值来扩展每个像素，较高的值应该在扩张期间覆盖较低的值。

也就是说，半径内与像素值相等的任何像素，如果它们的值较小，则继承​​该值。例如，如果输入为[0 1 0 2 0 0]，则输出为[1 2 2 2 2 2 ]。

这怎么可能实现？

假设我有一个二进制图像，表示为一个numpy矩阵，其中一个像素是背景 (0) 或前景 (1)。我正在寻找一种方法来删除前景中没有任何最近邻居的所有像素。

假设，图像矩阵为：

单像素删除后的结果图像应该是

到目前为止，我的方法是对所有可能的方向进行开口组合：

另一种方法是标记连接的组件并按索引删除它们，但是当涉及到计算复杂性时，这些解决方案感觉不是最佳的。

我有一张图片，要求我计算圆圈的数量。我能够将其简化为这张图片：

现在我可以使用连接组件的数量来得到答案。没关系。但是是否有可能只使用形态学操作来做到这一点？（就像以某种方式获得这些“圆圈”的“中心”，然后简单地计算像素）

我有一个像这样的代码：

我得到以下输出：

关闭块1：

关闭块2：

但后来我看到了这个。它说：

根据冈萨雷斯的“数字图像处理，第 3 版”，开/关的多次应用在您第一次应用后没有任何效果！

但这不是我得到的结果。我得到 1 对 3 次迭代，并得到不同的结果。我做错了什么或误解了什么？