Erweiterte morphologische Verarbeitung der digitalen Bildverarbeitung in Python

Dieser Artikel stellt hauptsächlich die fortgeschrittene morphologische Verarbeitung der digitalen Bildverarbeitung in Python vor. Jetzt teile ich ihn mit Ihnen und gebe ihn als Referenz. Werfen wir gemeinsam einen Blick darauf

Morphologische Verarbeitung: Zusätzlich zu den grundlegendsten Erweiterungs-, Erosions-, Öffnungs-/Schließoperationen und der Black/White-Hat-Verarbeitung gibt es auch einige fortgeschrittenere Anwendungen, wie z. B. konvexe Hülle und verbundene Regionen Markieren, kleine Bereiche löschen usw.

1. Konvexe Hülle

Die konvexe Hülle bezieht sich auf ein konvexes Polygon, das alle weißen Pixel im Bild enthält. Die Funktion

lautet:

skimage.morphology.convex_hull_image(image)

Die Eingabe ist ein Binärbild und die Ausgabe ist ein logisches Binärbild. Punkte innerhalb der konvexen Hülle sind wahr, andernfalls falsch Alle Ziele im Bild als Ganzes, sodass nur ein minimales konvexes Polygon berechnet wird. Wenn das Bild mehrere Zielobjekte enthält und jedes Objekt ein minimales konvexes Polygon berechnen muss, müssen Sie die Funktion convex_hull_object() verwenden.

Funktionsformat:

skimage.morphology.

convex_hull_object

(

image

,

neighbors=8

)Das Eingabeparameterbild ist ein Binärbild und Nachbarn geben an, ob 4-verbunden oder 8-verbunden verwendet werden soll. Der Standardwert ist 8-verbunden. Beispiel:

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(&#39;original image&#39;)

ax1.imshow(chull,plt.cm.gray)
ax1.set_title(&#39;convex_hull image&#39;)

2. Verbundene Bereichsmarkierungen

Wenn in einem Binärbild zwei Pixel benachbart sind und den gleichen Wert haben (beide 0 oder 1), dann werden die beiden Pixel als in einem verbundenen Bereich liegend betrachtet. Alle Pixel im selben verbundenen Bereich werden mit demselben Wert markiert. Dieser Vorgang wird als Markierung verbundener Bereiche bezeichnet. Bei der Beurteilung, ob zwei Pixel benachbart sind, verwenden wir normalerweise die Beurteilung nach 4 oder 8 Verbindungen. In einem Bild ist die kleinste Einheit ein Pixel, und jedes Pixel ist von 8 benachbarten Pixeln umgeben. Es gibt zwei übliche Adjazenzbeziehungen: 4-Adjazenz und 8-Adjazenz. 4 grenzt an insgesamt 4 Punkte, nämlich oben, unten, links und rechts, wie im linken Bild unten gezeigt. 8 Es gibt insgesamt 8 benachbarte Punkte, einschließlich der Punkte an diagonalen Positionen, wie in der rechten Abbildung unten dargestellt.

Im Skimage-Paket verwenden wir die Funktion label() unter dem Measure-Submodul, um die Beschriftung verbundener Bereiche zu implementieren.

Funktionsformat:

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()

Das Bild im Parameter stellt das Binärbild dar, das verarbeitet werden muss, Konnektivität stellt den Verbindungsmodus dar, 1 repräsentiert 4 Nachbarschaften, 2 repräsentiert 8 Nachbarschaften.

Gibt ein Array von Beschriftungen (Labels) aus, beginnend bei 0.

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

Im Code kann das Bool-Array durch Multiplikation mit 1 an einigen Stellen schnell in ein Int-Array umgewandelt werden.

Das Ergebnis ist wie in der Abbildung dargestellt: Es gibt 10 verbundene Bereiche, markiert mit 0-9

Wenn Sie jeden verbundenen Bereich separat bearbeiten möchten B. Berechnungsfläche, umschriebenes Rechteck, konvexe Hüllenfläche usw., müssen Sie die Funktion regionprops () des Messsubmoduls aufrufen. Das Format dieser Funktion ist:

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()

Gibt die Attributliste aller verbundenen Blöcke zurück. Die häufig verwendete Attributliste lautet wie folgt:

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。

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()

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：

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

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=&#39;red&#39;, linewidth=2)
  ax1.add_patch(rect)
fig.tight_layout()
plt.show()

Das obige ist der detaillierte Inhalt vonErweiterte morphologische Verarbeitung der digitalen Bildverarbeitung in Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!