二值图像腐蚀c++原代码

二值图像腐蚀是一种常用的图像处理操作，可以用来去除图像中的小噪点或者将物体变细。以下是C++的二值图像腐蚀的原代码：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;

int main()
{
    Mat img = imread("test.jpg", 0); // 读入灰度图像
    threshold(img, img, 128, 255, THRESH_BINARY); // 二值化

    Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3)); // 定义结构元素

    Mat dst;
    erode(img, dst, kernel); // 腐蚀操作

    imshow("img", img);
    imshow("dst", dst);
    waitKey();
    return 0;
}

以上代码中，首先读入一张灰度图像，然后使用 `threshold` 进行二值化处理。接着使用 `getStructuringElement` 定义一个 3x3 的矩形结构元素，作为腐蚀操作的核。最后使用 `erode` 函数进行腐蚀操作，并在窗口中显示原始图像和腐蚀后的图像。

相关问题

c++ 二值图像细化

二值图像细化是一种图像处理方法，通过对二值图像进行迭代操作，使得边缘线变得更加细长，并且不改变图像的几何形状。二值图像细化通常用于目标识别、图像分析和图像压缩等领域。

二值图像细化算法中常使用的方法有Zhang-Suen细化算法和Guo-Hall细化算法。这些算法的基本原理是通过迭代操作，将边缘线上的点逐渐消除，直到只剩下一个像素表示边缘。

Zhang-Suen细化算法是一种迭代算法，每次迭代分别对图像的奇数次和偶数次迭代进行操作。在奇数次迭代中，通过满足边缘点周围像素的条件来消除边缘点。而在偶数次迭代中，则通过满足边缘点四周像素的条件来消除边缘点。经过多次迭代操作，直到没有需要删除的边缘点为止，即得到细化后的二值图像。

Guo-Hall细化算法也是一种迭代算法，该算法通过分别对图像的四个子图像进行操作，不断消除边缘点。每次迭代操作会遍历子图像的所有像素，满足一定条件的边缘点会被删除。通过重复迭代操作，直到没有需要删除的边缘点为止，最终获得细化后的二值图像。

细化算法的目标是尽可能地保留图像的几何形状，同时使得边缘线更加细长。在实际应用中，合适的细化算法可以提高图像的分析和识别效果。与其他图像处理方法相比，细化算法对计算资源的需求较低，可以实现快速且准确的图像细化。

c++mrf二值图像降噪

根据提供的引用内容，我们可以了解到图像降噪的过程是通过观察到的噪声图像 y y y 获取图像真值 x x x 的过程。其中，图像噪声 n n n 是一个重要的因素。在这里，我们介绍一种基于 MRF（Markov Random Field）的二值图像降噪算法。

MRF 是一种概率图模型，它可以用于描述随机变量之间的依赖关系。在二值图像降噪中，我们可以将每个像素点看作一个随机变量，它的取值为 0 或 1，表示黑色或白色。我们可以通过 MRF 模型来描述这些像素点之间的依赖关系，从而实现图像降噪的目的。

以下是基于 MRF 的二值图像降噪的 C++ 代码实现：

#include <iostream>
#include <vector>
#include <cmath>

using namespace std;

// 定义 MRF 模型中的能量函数
double energy(vector<vector<int>>& img, int i, int j, double beta) {
    int h = img.size();
    int w = img[0].size();
    int sum = 0;
    if (i > 0) {
        sum += img[i - 1][j];
    }
    if (i < h - 1) {
        sum += img[i + 1][j];
    }
    if (j > 0) {
        sum += img[i][j - 1];
    }
    if (j < w - 1) {
        sum += img[i][j + 1];
    }
    return -beta * sum * img[i][j];
}

// 定义 Gibbs 采样算法
void gibbs_sampling(vector<vector<int>>& img, double beta, int iterations) {
    int h = img.size();
    int w = img[0].size();
    for (int k = 0; k < iterations; k++) {
        for (int i = 0; i < h; i++) {
            for (int j = 0; j < w; j++) {
                double p0 = exp(-energy(img, i, j, beta));
                double p1 = exp(-energy(img, i, j, -beta));
                double p = p1 / (p0 + p1);
                double r = (double)rand() / RAND_MAX;
                if (r < p) {
                    img[i][j] = 1;
                } else {
                    img[i][j] = 0;
                }
            }
        }
    }
}

int main() {
    // 读入二值图像
    vector<vector<int>> img = {{0, 1, 1, 0, 0},
                               {1, 0, 0, 1, 0},
                               {1, 0, 0, 1, 1},
                               {0, 1, 1, 0, 1},
                               {0, 0, 1, 1, 0}};
    // 设置参数
    double beta = 1.0;
    int iterations = 1000;
    // 进行 Gibbs 采样
    gibbs_sampling(img, beta, iterations);
    // 输出降噪后的图像
    for (int i = 0; i < img.size(); i++) {
        for (int j = 0; j < img[0].size(); j++) {
            cout << img[i][j] << " ";
        }
        cout << endl;
    }
    return 0;
}

上述代码中，我们首先定义了 MRF 模型中的能量函数 energy，它表示每个像素点的能量。然后，我们使用 Gibbs 采样算法对图像进行降噪。最后，我们输出降噪后的图像。