Python进行常见图像形态学处理操作的示例代码
作者：微小冷
最基础的形态学操作有四个，分别是腐蚀、膨胀、开计算和闭计算，【scipy.ndimage】分别实现了二值数组和灰度数组的这四种运算。而针对灰度图像，【scipy.ndimage】还提供了礼帽、黑帽、形态学梯度和拉普拉斯梯度等操作。
二值形态学
二值图像中只有0和1两种元素，故而可将其表示为元素值为1的元素位置集合A={(i,j)∣Aij=1}，则腐蚀和膨胀可表示为
A⊖B={(i,j)∣Bij⊆A}
A⊕B={(i,j)∣Bij∪A≠∅}
其中Bij表示当B的原点在(i,j)处时，B中所有为1的值的集合。
用结构B腐蚀A，当B的原点平移到图像A的像元(i,j)时，若B完全被二者的重叠区域所包围，则赋值为1，否则赋值为0。更直观的例子是，如果B中为1的元素位置上，对应的A的像素值也都为1，则(i,j)处为1。膨胀则与之相反。
开运算和闭运算则是腐蚀、膨胀的叠加，开运算是先腐蚀后膨胀；闭运算是先膨胀后腐蚀。这四种运算的差别如下
二值图像的腐蚀、膨胀、开、闭运算分别由函数binary_erosion, binary_dilation, binary_opening, binary_closing来是实现，上述绘图代码如下。
import numpy as np
import matplotlib.pyplot as plt
import scipy.ndimage as sn
x = np.zeros([20,20])
x[5:15, 5:15] = 1
x[10:12,10:12] = 0
x[2:4, 2:4] = 1
func = {
"origin": lambda x : x,
"erosion": sn.binary_erosion,
"dilation": sn.binary_dilation,
"opening": sn.binary_opening,
"closing": sn.binary_closing
}
fig = plt.figure()
for i,key in enumerate(func):
ax = fig.add_subplot(2,3,i+1)
ax.imshow(func[key](x))
plt.title(key)
plt.show()
灰度形态学
【ndimage】中为灰度图像也提供了腐蚀、膨胀、开、闭运算，只需将二值函数中的binary替换为grey即可。此外，针对灰度图像，【ndimage】还额外提供了四种运算，如下表所示
| 函数 | 名称 | 备注 |
|---|---|---|
| morphological_gradient | 形态学梯度 | 膨胀图减去腐蚀图 |
| white_tophat | 礼帽(顶帽)运算 | 原图减去开运算 |
| black_tophat | 黑帽(底帽)运算 | 原图减去闭运算 |
| morphological_laplace | 拉普拉斯变换 |
这些方法的差异如下
绘图代码如下。
from scipy.misc import ascent
img = ascent()
funcs = {
"original": lambda x, tmp:x,
"erosion" : sn.grey_erosion,
"dilation" : sn.grey_dilation,
"opening" : sn.grey_opening,
"closing" : sn.grey_closing
}
fig = plt.figure()
for i, key in enumerate(funcs):
ax = fig.add_subplot(2,5,i+1)
plt.imshow(funcs[key](img, (10,10)), cmap=plt.cm.gray)
plt.axis('off')
plt.title(key)
ori = img[350:500, 400:500]
funcs = {
"ori": lambda x, tmp:x,
"white" : sn.white_tophat,
"black" : sn.black_tophat,
"gradient" : sn.morphological_gradient,
"laplace" : sn.morphological_laplace,
}
for i, key in enumerate(funcs):
ax = fig.add_subplot(2,5,i+6)
plt.imshow(funcs[key](ori, (5,5)), cmap=plt.cm.gray)
plt.title(key)
plt.axis('off')
plt.show()
参数列表
二值函数和灰度函数的参数并不相同，下面以closing运算为例，二值和灰度函数的所有参数，除了输入input之外，二者共有的参数有
structure 为数组类型，表示构造元素，可以理解为是卷积模板
output 与输入相同维度的数组，可以存下结果
orgin 过滤器设置，默认为0
二值形态学滤波的其他参数如下
binary_closing(input, iterations=1, mask=None, border_value=0, brute_force=False)
其中
iterations 执行次数
mask 掩模数组，为bool类型的数组，对应False的位置将不会改变
border_value 边缘处的值
brute_force 如果为False，则只有上次迭代中发生变化的值才会更新
grey_closing(input, size=None, footprint=None, mode='reflect', cval=0.0)
size 为滤波模板
mode 可选reflect,constant,nearest,mirror, wrap，边缘填充方式
cval 边缘填充值
到此这篇关于Python进行常见图像形态学处理操作的示例代码的文章就介绍到这了,更多相关Python图像形态学处理内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！