python數字圖像處理之高級形態學處理的示例分析

小編給大家分享一下python數字圖像處理之高級形態學處理的示例分析，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

形態學處理，除了最基本的膨脹、腐蝕、開/閉運算、黑/白帽處理外，還有一些更高級的運用，如凸包，連通區域標記，刪除小塊區域等。

1、凸包

凸包是指一個凸多邊形，這個凸多邊形將圖片中所有的白色像素點都包含在內。

函數為：

skimage.morphology.convex_hull_image(image)

輸入為二值圖像，輸出一個邏輯二值圖像。在凸包內的點為True, 否則為False

例：

import matplotlib.pyplot as plt
from skimage import data,color,morphology

#生成二值測試圖像
img=color.rgb2gray(data.horse())
img=(img<0.5)*1

chull = morphology.convex_hull_image(img)

#繪制輪廓
fig, axes = plt.subplots(1,2,figsize=(8,8))
ax0, ax1= axes.ravel()
ax0.imshow(img,plt.cm.gray)
ax0.set_title('original image')

ax1.imshow(chull,plt.cm.gray)
ax1.set_title('convex_hull image')

convex_hull_image()是將圖片中的所有目標看作一個整體，因此計算出來只有一個最小凸多邊形。如果圖中有多個目標物體，每一個物體需要計算一個最小凸多邊形，則需要使用convex_hull_object（）函數。

函數格式：skimage.morphology.convex_hull_object(image,neighbors=8)

輸入參數image是一個二值圖像，neighbors表示是采用4連通還是8連通，默認為8連通。

例：

import matplotlib.pyplot as plt
from skimage import data,color,morphology,feature

#生成二值測試圖像
img=color.rgb2gray(data.coins())
#檢測canny邊緣,得到二值圖片
edgs=feature.canny(img, sigma=3, low_threshold=10, high_threshold=50) 

chull = morphology.convex_hull_object(edgs)

#繪制輪廓
fig, axes = plt.subplots(1,2,figsize=(8,8))
ax0, ax1= axes.ravel()
ax0.imshow(edgs,plt.cm.gray)
ax0.set_title('many objects')
ax1.imshow(chull,plt.cm.gray)
ax1.set_title('convex_hull image')
plt.show()

2、連通區域標記

在二值圖像中，如果兩個像素點相鄰且值相同（同為0或同為1），那么就認為這兩個像素點在一個相互連通的區域內。而同一個連通區域的所有像素點，都用同一個數值來進行標記，這個過程就叫連通區域標記。在判斷兩個像素是否相鄰時，我們通常采用4連通或8連通判斷。在圖像中，最小的單位是像素，每個像素周圍有8個鄰接像素，常見的鄰接關系有2種：4鄰接與8鄰接。4鄰接一共4個點，即上下左右，如下左圖所示。8鄰接的點一共有8個，包括了對角線位置的點，如下右圖所示。

在skimage包中，我們采用measure子模塊下的label（）函數來實現連通區域標記。

函數格式：

skimage.measure.label（image,connectivity=None)

參數中的image表示需要處理的二值圖像，connectivity表示連接的模式，1代表4鄰接，2代表8鄰接。

輸出一個標記數組（labels), 從0開始標記。

import numpy as np
import scipy.ndimage as ndi
from skimage import measure,color
import matplotlib.pyplot as plt

#編寫一個函數來生成原始二值圖像
def microstructure(l=256):
  n = 5
  x, y = np.ogrid[0:l, 0:l] #生成網絡
  mask = np.zeros((l, l))
  generator = np.random.RandomState(1) #隨機數種子
  points = l * generator.rand(2, n**2)
  mask[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
  mask = ndi.gaussian_filter(mask, sigma=l/(4.*n)) #高斯濾波
  return mask > mask.mean()

data = microstructure(l=128)*1 #生成測試圖片

labels=measure.label(data,connectivity=2) #8連通區域標記
dst=color.label2rgb(labels) #根據不同的標記顯示不同的顏色
print('regions number:',labels.max()+1) #顯示連通區域塊數(從0開始標記)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4))
ax1.imshow(data, plt.cm.gray, interpolation='nearest')
ax1.axis('off')
ax2.imshow(dst,interpolation='nearest')
ax2.axis('off')

fig.tight_layout()
plt.show()

在代碼中，有些地方乘以1，則可以將bool數組快速地轉換為int數組。

結果如圖：有10個連通的區域，標記為0-9

如果想分別對每一個連通區域進行操作，比如計算面積、外接矩形、凸包面積等，則需要調用measure子模塊的regionprops（）函數。該函數格式為：

skimage.measure.regionprops(label_image)

返回所有連通區塊的屬性列表，常用的屬性列表如下表：

3、刪除小塊區域

有些時候，我們只需要一些大塊區域，那些零散的、小塊的區域，我們就需要刪除掉，則可以使用morphology子模塊的remove_small_objects（)函數。

函數格式：skimage.morphology.remove_small_objects(ar,min_size=64,connectivity=1,in_place=False)

參數：

ar: 待操作的bool型數組。

min_size: 最小連通區域尺寸，小于該尺寸的都將被刪除。默認為64.

connectivity: 鄰接模式，1表示4鄰接，2表示8鄰接

in_place: bool型值，如果為True,表示直接在輸入圖像中刪除小塊區域，否則進行復制后再刪除。默認為False.

返回刪除了小塊區域的二值圖像。

import numpy as np
import scipy.ndimage as ndi
from skimage import morphology
import matplotlib.pyplot as plt

#編寫一個函數來生成原始二值圖像
def microstructure(l=256):
  n = 5
  x, y = np.ogrid[0:l, 0:l] #生成網絡
  mask = np.zeros((l, l))
  generator = np.random.RandomState(1) #隨機數種子
  points = l * generator.rand(2, n**2)
  mask[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
  mask = ndi.gaussian_filter(mask, sigma=l/(4.*n)) #高斯濾波
  return mask > mask.mean()

data = microstructure(l=128) #生成測試圖片

dst=morphology.remove_small_objects(data,min_size=300,connectivity=1)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4))
ax1.imshow(data, plt.cm.gray, interpolation='nearest')
ax2.imshow(dst,plt.cm.gray,interpolation='nearest')

fig.tight_layout()
plt.show()

在此例中，我們將面積小于300的小塊區域刪除（由1變為0），結果如下圖：

4、綜合示例：閾值分割+閉運算+連通區域標記+刪除小區塊+分色顯示

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
from skimage import data,filter,segmentation,measure,morphology,color

#加載并裁剪硬幣圖片
image = data.coins()[50:-50, 50:-50]

thresh =filter.threshold_otsu(image) #閾值分割
bw =morphology.closing(image > thresh, morphology.square(3)) #閉運算

cleared = bw.copy() #復制
segmentation.clear_border(cleared) #清除與邊界相連的目標物

label_image =measure.label(cleared) #連通區域標記
borders = np.logical_xor(bw, cleared) #異或
label_image[borders] = -1
image_label_overlay =color.label2rgb(label_image, image=image) #不同標記用不同顏色顯示

fig,(ax0,ax1)= plt.subplots(1,2, figsize=(8, 6))
ax0.imshow(cleared,plt.cm.gray)
ax1.imshow(image_label_overlay)

for region in measure.regionprops(label_image): #循環得到每一個連通區域屬性集
  
  #忽略小區域
  if region.area < 100:
    continue

  #繪制外包矩形
  minr, minc, maxr, maxc = region.bbox
  rect = mpatches.Rectangle((minc, minr), maxc - minc, maxr - minr,
               fill=False, edgecolor='red', linewidth=2)
  ax1.add_patch(rect)
fig.tight_layout()
plt.show()

以上是“python數字圖像處理之高級形態學處理的示例分析”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！