快捷導(dǎo)航

Python進(jìn)行常見(jiàn)圖像形態(tài)學(xué)處理操作的示例代碼

更新時(shí)間：2024年03月01日 10:02:42 作者：微小冷

這篇文章主要為大家詳細(xì)介紹了如何使用Python進(jìn)行常見(jiàn)的圖像形態(tài)學(xué)處理,例如腐蝕、膨脹、禮帽、黑帽等,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下

最基礎(chǔ)的形態(tài)學(xué)操作有四個(gè)，分別是腐蝕、膨脹、開計(jì)算和閉計(jì)算，【scipy.ndimage】分別實(shí)現(xiàn)了二值數(shù)組和灰度數(shù)組的這四種運(yùn)算。而針對(duì)灰度圖像，【scipy.ndimage】還提供了禮帽、黑帽、形態(tài)學(xué)梯度和拉普拉斯梯度等操作。

二值形態(tài)學(xué)

二值圖像中只有0和1兩種元素，故而可將其表示為元素值為1的元素位置集合A={(i,j)∣Aij?=1}，則腐蝕和膨脹可表示為

A?B={(i,j)∣Bij?⊆A}

A⊕B?={(i,j)∣Bij?∪A≠∅}?

其中Bij表示當(dāng)B的原點(diǎn)在(i,j)處時(shí)，B中所有為1的值的集合。

用結(jié)構(gòu)B腐蝕A，當(dāng)B的原點(diǎn)平移到圖像A的像元(i,j)時(shí)，若B完全被二者的重疊區(qū)域所包圍，則賦值為1，否則賦值為0。更直觀的例子是，如果B中為1的元素位置上，對(duì)應(yīng)的A的像素值也都為1，則(i,j)處為1。膨脹則與之相反。

開運(yùn)算和閉運(yùn)算則是腐蝕、膨脹的疊加，開運(yùn)算是先腐蝕后膨脹；閉運(yùn)算是先膨脹后腐蝕。這四種運(yùn)算的差別如下

二值圖像的腐蝕、膨脹、開、閉運(yùn)算分別由函數(shù)binary_erosion, binary_dilation, binary_opening, binary_closing來(lái)是實(shí)現(xiàn)，上述繪圖代碼如下。

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()

灰度形態(tài)學(xué)

【ndimage】中為灰度圖像也提供了腐蝕、膨脹、開、閉運(yùn)算，只需將二值函數(shù)中的binary替換為grey即可。此外，針對(duì)灰度圖像，【ndimage】還額外提供了四種運(yùn)算，如下表所示

函數(shù)	名稱	備注
morphological_gradient	形態(tài)學(xué)梯度	膨脹圖減去腐蝕圖
white_tophat	禮帽(頂帽)運(yùn)算	原圖減去開運(yùn)算
black_tophat	黑帽(底帽)運(yùn)算	原圖減去閉運(yùn)算
morphological_laplace	拉普拉斯變換

這些方法的差異如下

繪圖代碼如下。

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()

參數(shù)列表

二值函數(shù)和灰度函數(shù)的參數(shù)并不相同，下面以closing運(yùn)算為例，二值和灰度函數(shù)的所有參數(shù)，除了輸入input之外，二者共有的參數(shù)有

structure 為數(shù)組類型，表示構(gòu)造元素，可以理解為是卷積模板

output 與輸入相同維度的數(shù)組，可以存下結(jié)果

orgin 過(guò)濾器設(shè)置，默認(rèn)為0

二值形態(tài)學(xué)濾波的其他參數(shù)如下

binary_closing(input, iterations=1, mask=None, border_value=0, brute_force=False)

其中

iterations 執(zhí)行次數(shù)

mask 掩模數(shù)組，為bool類型的數(shù)組，對(duì)應(yīng)False的位置將不會(huì)改變

border_value 邊緣處的值

brute_force 如果為False，則只有上次迭代中發(fā)生變化的值才會(huì)更新

grey_closing(input, size=None, footprint=None, mode='reflect', cval=0.0)

size 為濾波模板

mode 可選reflect,constant,nearest,mirror, wrap，邊緣填充方式

cval 邊緣填充值

到此這篇關(guān)于Python進(jìn)行常見(jiàn)圖像形態(tài)學(xué)處理操作的示例代碼的文章就介紹到這了,更多相關(guān)Python圖像形態(tài)學(xué)處理內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: