图像数据处理18

四、形态学图像处理

4.4 击中、击不中变换

4.4.1击中、击不中变换概念

击中、击不中变换是图像处理中的一种形态学操作，主要用于检测图像中的特定形状。这种变换利用结构元素来实现我们需要在图像中检测的特定形状。

4.4.2击中、不击中变换的基本原理：

击中：结构元素中的“1”对应的图像像素必须满足特定的条件（例如：等于某个特定的值）。

击不中：结构元素中的“0”对应的图像像素必须不满足上述条件。

只有当结构元素覆盖的图像区域完全满足“击中”和“击不中”的条件时，该区域的中心点才会被标记为击中。

4.4.3：击中、不击中变换的作用：

①形状识别：变换后的图像可以用于形状识别任务。例如，通过定义不同的结构元素，可以检测图像中的直线、角点、圆形等形状。

②特定模式的检测：变换后的图像能够突出显示与结构元素匹配的特定模式或形状。这些在原始图像中可能并不明显，但经过变换后会被更加清晰展示出来。

③背景抑制：通过击中、不击中变换，与结构元素不匹配的图像区域（即背景）将被抑制或消除。从而使得特征区域在处理后的图像中更加突出。

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image path', 0)

# 定义结构元素,这里只是一个示例，实际应用中需要根据你的需求来定义
struct_element = np.array([[1, 0],
                           [1, 0]])

# 通过自定义一个函数来模拟击中、不击中变换
def hit_or_miss(image, struct_element):
    hit = cv2.morphologyEx(image, cv2.MORPH_HITMISS, struct_element)
    return hit
# 应用击中、不击中变换
result = hit_or_miss(image, struct_element)
# 显示结果
cv2.imshow('Hit-or-Miss Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

hit = cv2.morphologyEx(image, cv2.MORPH_HITMISS, struct_element)

morphologyEx: 是OpenCV中用于执行各种形态学变换的函数，包括击中、不击中变换等。

cv2.MORPH_HITMISS: 是morphologyEx函数的一个参数，指定要执行的形态学变换类型是击中、不击中变换。

struct_element: 定义的击中、不击中变换所使用的结构元素的矩阵。其定义了要在输入图像中查找的特定像素需边界提取求。

4.5 二值图像形态学处理应用

4.5.1边界提取

1.边界提取概念：在二值图像中边界提取可以理解成将前景图像（白色部分）的轮廓提取出来。

2.边界提取的操作：直观的想象一下，想要完成边界提取，就是要扣去前景图像的非边缘部分，这就能联想到减法。要实现这个操作，就离不开腐蚀和膨胀操作

①内边界提取操作：要通过腐蚀操作来使前景图像缩小一下。然后再用原图减去腐蚀操作后的图像，便能内实现边界提取。

②外边界提取操作：要通过膨胀操作来使前景图像扩大。然后再用膨胀操作处理后的图像减去原图，便能实现外边界提取。

import cv2
import numpy as np

# 读取图像
image = cv2.imread('img1.jpg', 0)  # 第二个参数0表示以灰度模式读取图像

# 定义腐蚀操作的结构元素
kernel = np.ones((5, 5), np.uint8)

# 腐蚀操作
erosion = cv2.erode(image, kernel, iterations=1)

# 用原图减去腐蚀后的图像得到边缘
edge = image - erosion

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Edge Image', edge)

# 等待任意键按下
cv2.waitKey(0)
cv2.destroyAllWindows()

4.5.2孔洞填充 

1.空洞填充的概念：可以简单理解成将前景图像围成区域中的黑色小孔（背景部分）变为白色

2.孔洞填充的操作：找到图像中被前景图像完全包围的部分（黑色孔洞），然后对其进行填充即可。

3.实际应用

import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage
from skimage import io
from skimage.color import rgba2rgb, rgb2gray
from skimage.filters import threshold_otsu

# 加载图片
image = io.imread('img.jpg')

# 检查图像是否有4个通道（RGBA），如果有，则转换为RGB
if image.shape[2] == 4:
    image = rgba2rgb(image)

# 将图片转换为灰度图像
gray_image = rgb2gray(image)

# 使用Otsu阈值将灰度图像转换为二值图像
threshold = threshold_otsu(gray_image)
binary_image = gray_image > threshold

# 使用ndimage.binary_fill_holes函数填充空洞
filled_image = ndimage.binary_fill_holes(binary_image)

# 显示原始二值图像和填充后的图像
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.imshow(binary_image, cmap='gray')
plt.title('Original Binary Image')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(filled_image, cmap='gray')
plt.title('Image After Hole Filling')
plt.axis('off')

plt.show()

ndimage.binary_fill_holes：这是空洞填充的函数，它查找图像中所有被前景图像（白色）完全包围的背景（黑色），并将这些区域填充为白色。同时，这保证了只有当孔洞被前景像素完全包围时才会被填充，其余背景部分则不会受到影响。

4.5.3连通域的标记提取

1连通域的标记提取的概念：可以理解成在一副二值图像中，将属于同一个连通区域的像素点赋予相同的标记，而属于不同连通区域的像素点则赋予不同的标记。

import cv2  
import numpy as np  
  
# 读取图像文件  
image = cv2.imread('img1.jpg', 0)  # 第二个参数0表示以灰度模式读取图像  
  
# 对图像进行二值化处理  
_, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)  
  
# 查找图像中的连通域并进行标记  
num_labels, labels = cv2.connectedComponents(binary_image)  
  
# 创建一个与原图大小相同的彩色图像，用于后续绘制方框  
color_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)  
  
# 遍历每个连通域（注意：背景区域的标记为0，因此从1开始遍历）  
for label in range(1, num_labels):  
    # 找到当前连通域的所有像素点的坐标  
    points = np.where(labels == label)  
  
    # 如果当前连通域不为空  
    if points[0].size > 0:  
        # 将坐标点转换为OpenCV要求的格式  
        points_array = np.column_stack((points[1], points[0]))  # 注意：OpenCV中点的坐标格式为(x, y)  
  
        # 计算当前连通域的最小外接矩形  
        x, y, w, h = cv2.boundingRect(points_array)  
  
        # 在彩色图像上绘制当前连通域的外接矩形方框  
        cv2.rectangle(color_image, (x, y), (x + w, y + h), (0, 255, 0), 2)  
  
# 显示原图和带有方框的标记图像  
cv2.imshow('Original Image', image)  
cv2.imshow('Labeled Image with Rectangles', color_image)  
  
# 等待用户按下任意键  
cv2.waitKey(0)  
cv2.destroyAllWindows()  # 关闭所有OpenCV创建的窗口

注：本人为在校学生，博客是边学边写的，主要是为了巩固知识，如有错误请积极指正。

本文的内容主要基于我对张运楚教授编著的《数字图像处理》一书的学习和理解。这本书深入浅出地介绍了数字图像处理的基本理论以及经典算法等，并且提供了丰富的示例代码和实际用例，极大地帮助了我学习图像处理知识。在此，我推荐大家阅读这本书，更加深入的学习有关图像处理的知识。