✅هنگامی که یک se بر روی یک تصویر باینری قرار می گیرد،
هر پیکسل آن با پیکسل مربوطه زیر عنصر ساختار مرتبط است.
✅به عنصر ساختار fit تصویر گفته میشود، اگر به ازای هر پیکسل ست شده با 1، پیکسل تصویر مربوطه هم 1 باشد(عمل AND).
✅به طور مشابه، به عنصر ساختارhit گفته می شود ، اگر حداقل برای یکی از پیکسل های ست شده به 1 ، پیکسل تصویر مربوطه نیز 1 باشد.(عمل OR)
💢💢
✅ تبدیل hit and miss، اجازه می دهد اطلاعاتی مبنی بر اینکه چگونه اشیاء در یک تصویر باینری، با محیط اطرافشان در ارتباط هستند ،بدست آوریم.
این عملیات نیاز به یک جفت سازگار از عناصر ساختاری {s1، s2} دارد

💢💢💢💢💢💢💢💢💢💢

💢5. Morphological Gradient💢
تفاضل بین فرسایش و انبساط حاصل از یک تصویر Gradient گویند.
برای تشخیص مرز شی مفید است.

💢💢💢💢💢💢💢💢💢💢

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

💢6. Top Hat💢
تفاضل بین تصویر اصلی و Opening را گویند.
کاربرد:
1) استخراج ویژگی 2) افزایش کیفیت عکس
3) ...

💢💢💢💢💢💢💢💢💢💢

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
💢💢💢💢💢💢💢💢💢💢

Top Hat

💢7. Black Hat💢

تفاضل بین تصویر اصلی و closing را گویند.

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

تا اینجا se های ایجاد شده به شکل مربع یا مستطیل بودند. برای ایجاد se هایی به شکل بیضی یا دایره ، در opencv توسط تابع cv2.getStructuringElement ()به صورت زیر عمل میکنیم:

# Rectangular Kernel
>>> cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
array([[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1]], dtype=uint8)

# Elliptical Kernel
>>> cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[0, 0, 1, 0, 0]], dtype=uint8)

# Cross-shaped Kernel
>>> cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
[0, 0, 1, 0, 0],
[1, 1, 1, 1, 1],
[0, 0, 1, 0, 0],
[0, 0, 1, 0, 0]], dtype=uint8)
💢💢💢💢💢💢💢💢💢💢

💢Image Gradients💢
اهداف:
1)یافتن شیب و لبه ها ی تصاویر،و ...
2) آشنایی با توابع cv.Sobel(), cv.Scharr(), cv.Laplacian()

✅مفهوم gradients images
از میان عملیات گوناگونی که می توانند به تصاویر اعمال شوند،
کانولوشنها هستند، که در آنها فیلترهای خاص برای ویرایش تصاویر،برای به دست آوردن اطلاعات و یا برخی فواید دیگر، اعمال می شوند .
قبلا دیدیم که تصاویر به عنوان یک ماتریس عددی بزرگ نمایش داده می شوند و در آن رنگ هر پیکسل با یک عدد از 0 تا 255 در نشان داده می شود.
با استفاده از عملیات ریاضی (فیلتر تصویر) برای ساخت مقادیر جدید در یک ماتریس جدید از همان اندازه، کانولوشن تمام این مقادیر عددی را پردازش می کند.