小編給大家分享一下python數(shù)字圖像處理之高級(jí)形態(tài)學(xué)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！

創(chuàng)新互聯(lián)主營(yíng)青原網(wǎng)站建設(shè)的網(wǎng)絡(luò)公司,主營(yíng)網(wǎng)站建設(shè)方案,重慶APP開發(fā),青原h(huán)5成都微信小程序搭建,青原網(wǎng)站營(yíng)銷推廣歡迎青原等地區(qū)企業(yè)咨詢

形態(tài)學(xué)處理，除了最基本的膨脹、腐蝕、開/閉運(yùn)算、黑/白帽處理外，還有一些更高級(jí)的運(yùn)用，如凸包，連通區(qū)域標(biāo)記，刪除小塊區(qū)域等。

1、凸包

凸包是指一個(gè)凸多邊形，這個(gè)凸多邊形將圖片中所有的白色像素點(diǎn)都包含在內(nèi)。

函數(shù)為：

skimage.morphology.convex_hull_image(image)

輸入為二值圖像，輸出一個(gè)邏輯二值圖像。在凸包內(nèi)的點(diǎn)為True, 否則為False

例：

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

#生成二值測(cè)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(biāo)看作一個(gè)整體，因此計(jì)算出來只有一個(gè)最小凸多邊形。如果圖中有多個(gè)目標(biāo)物體，每一個(gè)物體需要計(jì)算一個(gè)最小凸多邊形，則需要使用convex_hull_object（）函數(shù)。

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

輸入?yún)?shù)image是一個(gè)二值圖像，neighbors表示是采用4連通還是8連通，默認(rèn)為8連通。

例：

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

#生成二值測(cè)試圖像
img=color.rgb2gray(data.coins())
#檢測(cè)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(qū)域標(biāo)記

在二值圖像中，如果兩個(gè)像素點(diǎn)相鄰且值相同（同為0或同為1），那么就認(rèn)為這兩個(gè)像素點(diǎn)在一個(gè)相互連通的區(qū)域內(nèi)。而同一個(gè)連通區(qū)域的所有像素點(diǎn)，都用同一個(gè)數(shù)值來進(jìn)行標(biāo)記，這個(gè)過程就叫連通區(qū)域標(biāo)記。在判斷兩個(gè)像素是否相鄰時(shí)，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(gè)像素周圍有8個(gè)鄰接像素，常見的鄰接關(guān)系有2種：4鄰接與8鄰接。4鄰接一共4個(gè)點(diǎn)，即上下左右，如下左圖所示。8鄰接的點(diǎn)一共有8個(gè)，包括了對(duì)角線位置的點(diǎn)，如下右圖所示。

在skimage包中，我們采用measure子模塊下的label（）函數(shù)來實(shí)現(xiàn)連通區(qū)域標(biāo)記。

函數(shù)格式：

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

參數(shù)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(gè)標(biāo)記數(shù)組（labels), 從0開始標(biāo)記。

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

#編寫一個(gè)函數(shù)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(wǎng)絡(luò)
  mask = np.zeros((l, l))
  generator = np.random.RandomState(1) #隨機(jī)數(shù)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(cè)試圖片

labels=measure.label(data,connectivity=2) #8連通區(qū)域標(biāo)記
dst=color.label2rgb(labels) #根據(jù)不同的標(biāo)記顯示不同的顏色
print('regions number:',labels.max()+1) #顯示連通區(qū)域塊數(shù)(從0開始標(biāo)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(shù)組快速地轉(zhuǎn)換為int數(shù)組。

結(jié)果如圖：有10個(gè)連通的區(qū)域，標(biāo)記為0-9

如果想分別對(duì)每一個(gè)連通區(qū)域進(jìn)行操作，比如計(jì)算面積、外接矩形、凸包面積等，則需要調(diào)用measure子模塊的regionprops（）函數(shù)。該函數(shù)格式為：

skimage.measure.regionprops(label_image)

返回所有連通區(qū)塊的屬性列表，常用的屬性列表如下表：

屬性名稱	類型	描述
area	int	區(qū)域內(nèi)像素點(diǎn)總數(shù)
bbox	tuple	邊界外接框(min_row, min_col, max_row, max_col)
centroid	array	質(zhì)心坐標(biāo)
convex_area	int	凸包內(nèi)像素點(diǎn)總數(shù)
convex_image	ndarray	和邊界外接框同大小的凸包
coords	ndarray	區(qū)域內(nèi)像素點(diǎn)坐標(biāo)
Eccentricity	float	離心率
equivalent_diameter	float	和區(qū)域面積相同的圓的直徑
euler_number	int	區(qū)域歐拉數(shù)
extent	float	區(qū)域面積和邊界外接框面積的比率
filled_area	int	區(qū)域和外接框之間填充的像素點(diǎn)總數(shù)
perimeter	float	區(qū)域周長(zhǎng)
label	int	區(qū)域標(biāo)記

3、刪除小塊區(qū)域

有些時(shí)候，我們只需要一些大塊區(qū)域，那些零散的、小塊的區(qū)域，我們就需要?jiǎng)h除掉，則可以使用morphology子模塊的remove_small_objects（)函數(shù)。

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

參數(shù)：

ar: 待操作的bool型數(shù)組。

min_size: 最小連通區(qū)域尺寸，小于該尺寸的都將被刪除。默認(rèn)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(qū)域，否則進(jìn)行復(fù)制后再刪除。默認(rèn)為False.

返回刪除了小塊區(qū)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(gè)函數(shù)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(wǎng)絡(luò)
  mask = np.zeros((l, l))
  generator = np.random.RandomState(1) #隨機(jī)數(shù)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(cè)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(qū)域刪除（由1變?yōu)?），結(jié)果如下圖：

4、綜合示例：閾值分割+閉運(yùn)算+連通區(qū)域標(biāo)記+刪除小區(qū)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(yùn)算

cleared = bw.copy() #復(fù)制
segmentation.clear_border(cleared) #清除與邊界相連的目標(biāo)物

label_image =measure.label(cleared) #連通區(qū)域標(biāo)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(biāo)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(huán)得到每一個(gè)連通區(qū)域?qū)傩约?  
  #忽略小區(qū)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(shù)字圖像處理之高級(jí)形態(tài)學(xué)處理的示例分析”這篇文章的所有內(nèi)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(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！

名稱欄目：python數(shù)字圖像處理之高級(jí)形態(tài)學(xué)處理的示例分析-創(chuàng)新互聯(lián)
文章網(wǎng)址：http://chinadenli.net/article6/cdooig.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供App開發(fā)、網(wǎng)站營(yíng)銷、手機(jī)網(wǎng)站建設(shè)、搜索引擎優(yōu)化、靜態(tài)網(wǎng)站、商城網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)