python数字图像处理：高级形态学处理

╰半橙微兮° 2022-05-18 23:49 341阅读 0赞

# python数字图像处理：高级形态学处理 #

本文转载自：[https://www.cnblogs.com/denny402/p/5166258.html][https_www.cnblogs.com_denny402_p_5166258.html] 侵权删

形态学处理，除了最基本的膨胀、腐蚀、开/闭运算、黑/白帽处理外，还有一些更高级的运用，如凸包，连通区域标记，删除小块区域等。

1、凸包

凸包是指一个凸多边形，这个凸多边形将图片中所有的白色像素点都包含在内。

函数为：

skimage.morphology.convex\_hull\_image(*image*)

输入为二值图像，输出一个逻辑二值图像。在凸包内的点为True, 否则为False

例：

![复制代码][Image 1]

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

\#生成二值测试图像 img= color.rgb2gray(data.horse()) img=(img<0.5)\*1 chull = morphology.convex\_hull\_image(img) \#绘制轮廓 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')

![复制代码][Image 1]

![140867-20160126171625051-1366973608.png][]

convex\_hull\_image()是将图片中的所有目标看作一个整体，因此计算出来只有一个最小凸多边形。如果图中有多个目标物体，每一个物体需要计算一个最小凸多边形，则需要使用convex\_hull\_object（）函数。

函数格式：skimage.morphology.convex\_hull\_object(*image*, *neighbors=8*)

输入参数image是一个二值图像，neighbors表示是采用4连通还是8连通，默认为8连通。

例：

![复制代码][Image 1]

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

\#生成二值测试图像 img= color.rgb2gray(data.coins()) \#检测canny边缘,得到二值图片 edgs=feature.canny(img, sigma=3, low\_threshold=10, high\_threshold=50 ) chull = morphology.convex\_hull\_object(edgs) \#绘制轮廓 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()

![复制代码][Image 1]

![140867-20160128132309957-1141268985.png][]

2、连通区域标记

在二值图像中，如果两个像素点相邻且值相同（同为0或同为1），那么就认为这两个像素点在一个相互连通的区域内。而同一个连通区域的所有像素点，都用同一个数值来进行标记，这个过程就叫连通区域标记。在判断两个像素是否相邻时，我们通常采用4连通或8连通判断。在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有2种：4邻接与8邻接。4邻接一共4个点，即上下左右，如下左图所示。8邻接的点一共有8个，包括了对角线位置的点，如下右图所示。

![140867-20160128134848145-1559746646.png][]

在skimage包中，我们采用measure子模块下的label（）函数来实现连通区域标记。

函数格式：

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

参数中的image表示需要处理的二值图像，connectivity表示连接的模式，1代表4邻接，2代表8邻接。

输出一个标记数组（labels), 从0开始标记。

![复制代码][Image 1]

import numpy as np
    import scipy.ndimage as ndi
    from skimage import measure,color
    import matplotlib.pyplot as plt
    
    #编写一个函数来生成原始二值图像
    def microstructure(l=256):
        n = 5
        x, y = np.ogrid[0:l, 0:l]  #生成网络
        mask = np.zeros((l, l))
        generator = np.random.RandomState(1)  #随机数种子
        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)) #高斯滤波
        return mask > mask.mean()
    
    data = microstructure(l=128)*1 #生成测试图片
    
    labels=measure.label(data,connectivity=2)  #8连通区域标记
    dst=color.label2rgb(labels)  #根据不同的标记显示不同的颜色
    print('regions number:',labels.max()+1)  #显示连通区域块数(从0开始标记)
    
    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()

![复制代码][Image 1]

在代码中，有些地方乘以1，则可以将bool数组快速地转换为int数组。

结果如图：有10个连通的区域，标记为0-9

![140867-20160128141925363-268438370.png][]

如果想分别对每一个连通区域进行操作，比如计算面积、外接矩形、凸包面积等，则需要调用measure子模块的regionprops（）函数。该函数格式为：

skimage.measure.regionprops(*label\_image)*

返回所有连通区块的属性列表，常用的属性列表如下表：

<table> 
 <tbody> 
  <tr> 
   <td>属性名称</td> 
   <td>类型</td> 
   <td>描述</td> 
  </tr> 
  <tr> 
   <td>area</td> 
   <td>int</td> 
   <td>区域内像素点总数</td> 
  </tr> 
  <tr> 
   <td>bbox</td> 
   <td>tuple</td> 
   <td><span>边界外接框(min_row,&nbsp;<span>min_col,&nbsp;<span>max_row,&nbsp;<span>max_col)</span></span></span></span></td> 
  </tr> 
  <tr> 
   <td>centroid</td> 
   <td>array　　</td> 
   <td>质心坐标</td> 
  </tr> 
  <tr> 
   <td>convex_area</td> 
   <td>int</td> 
   <td>凸包内像素点总数</td> 
  </tr> 
  <tr> 
   <td>convex_image</td> 
   <td>ndarray</td> 
   <td>和边界外接框同大小的凸包　　</td> 
  </tr> 
  <tr> 
   <td>coords</td> 
   <td>ndarray</td> 
   <td>区域内像素点坐标</td> 
  </tr> 
  <tr> 
   <td>Eccentricity&nbsp;</td> 
   <td>float</td> 
   <td>离心率</td> 
  </tr> 
  <tr> 
   <td>equivalent_diameter&nbsp;</td> 
   <td>float</td> 
   <td>和区域面积相同的圆的直径</td> 
  </tr> 
  <tr> 
   <td>euler_number</td> 
   <td>int　　</td> 
   <td>区域欧拉数</td> 
  </tr> 
  <tr> 
   <td>extent&nbsp;</td> 
   <td>float</td> 
   <td>区域面积和边界外接框面积的比率</td> 
  </tr> 
  <tr> 
   <td>filled_area</td> 
   <td>int</td> 
   <td>区域和外接框之间填充的像素点总数</td> 
  </tr> 
  <tr> 
   <td>perimeter&nbsp;</td> 
   <td>float</td> 
   <td>区域周长</td> 
  </tr> 
  <tr> 
   <td>label</td> 
   <td>int</td> 
   <td>区域标记</td> 
  </tr> 
 </tbody> 
</table>

3、删除小块区域

有些时候，我们只需要一些大块区域，那些零散的、小块的区域，我们就需要删除掉，则可以使用morphology子模块的remove\_small\_objects（)函数。

函数格式：skimage.morphology.remove\_small\_objects(*ar*, *min\_size=64*, *connectivity=1*, *in\_place=False*)

参数：

ar: 待操作的bool型数组。

min\_size: 最小连通区域尺寸，小于该尺寸的都将被删除。默认为64.

connectivity: 邻接模式，1表示4邻接，2表示8邻接

in\_place: bool型值，如果为True,表示直接在输入图像中删除小块区域，否则进行复制后再删除。默认为False.

返回删除了小块区域的二值图像。

![复制代码][Image 1]

import numpy as np
    import scipy.ndimage as ndi
    from skimage import morphology
    import matplotlib.pyplot as plt
    
    #编写一个函数来生成原始二值图像
    def microstructure(l=256):
        n = 5
        x, y = np.ogrid[0:l, 0:l]  #生成网络
        mask = np.zeros((l, l))
        generator = np.random.RandomState(1)  #随机数种子
        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)) #高斯滤波
        return mask > mask.mean()
    
    data = microstructure(l=128) #生成测试图片
    
    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()

![复制代码][Image 1]

在此例中，我们将面积小于300的小块区域删除（由1变为0），结果如下图：

![140867-20160128143752504-913927935.png][]

4、综合示例：阈值分割+闭运算+连通区域标记+删除小区块+分色显示

![复制代码][Image 1]

import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib.patches as mpatches
    from skimage import data,filter,segmentation,measure,morphology,color
    
    #加载并裁剪硬币图片
    image = data.coins()[50:-50, 50:-50]
    
    thresh =filter.threshold_otsu(image) #阈值分割
    bw =morphology.closing(image > thresh, morphology.square(3)) #闭运算
    
    cleared = bw.copy()  #复制
    segmentation.clear_border(cleared)  #清除与边界相连的目标物
    
    label_image =measure.label(cleared)  #连通区域标记
    borders = np.logical_xor(bw, cleared) #异或
    label_image[borders] = -1
    image_label_overlay =color.label2rgb(label_image, image=image) #不同标记用不同颜色显示
    
    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): #循环得到每一个连通区域属性集
    
        #忽略小区域
        if region.area < 100:
            continue
    
        #绘制外包矩形
        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()

![复制代码][Image 1]

![140867-20160128161914145-1777521855.png][]

[https_www.cnblogs.com_denny402_p_5166258.html]: https://www.cnblogs.com/denny402/p/5166258.html
[Image 1]: 
[140867-20160126171625051-1366973608.png]: /images/20220519/c1120a85d960427da4cddda1997df502.png
[140867-20160128132309957-1141268985.png]: /images/20220519/309ebec54c464ff48f5e9ecc4f10e84f.png
[140867-20160128134848145-1559746646.png]: /images/20220519/c004731b62d64256a663b797340d9cec.png
[140867-20160128141925363-268438370.png]: /images/20220519/a6539f84a22f4d52a7460d5253c21eef.png
[140867-20160128143752504-913927935.png]: /images/20220519/9bab42caf85243b592ec011ea45ee691.png
[140867-20160128161914145-1777521855.png]: /images/20220519/d1f3909795774e68905af8fd203f99b4.png