python-opencv高级形态学处理—边缘—凸包

---

前言

图像的形态学处理有很多种，其中凸包处理是一种比较常见的高级方法，其主要原理是：生成一个凸多边形，这个凸多边形将图片中所有的白色像素点都包含在内的运算。
Python中有相应的实现方法。
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。

---

一、实现代码

1.引入库

代码如下（示例）：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
from skimage import data,filters,segmentation,measure,morphology,color

2.加载并裁剪硬币图片

代码如下（示例）：

image = data.coins()[50:-50, 50:-50]

3.阈值分割

thresh =filters.threshold_otsu(image)

4.闭运算

bw =morphology.closing(image > thresh, morphology.square(3))

5.清除与边界相连的目标物

cleared = bw.copy()  #复制
segmentation.clear_border(cleared)

6.连通区域标记

label_image =measure.label(cleared)  
borders = np.logical_xor(bw, cleared) #异或
label_image[borders] = -1

7.不同标记用不同颜色显示

image_label_overlay =color.label2rgb(label_image, image=image)

8.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='red', linewidth=2)
  ax1.add_patch(rect)
fig.tight_layout()
plt.show()

完整代码

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
from skimage import data,filters,segmentation,measure,morphology,color
# Notes:author写错了，应该是filters而不是filter
# https://www.cnblogs.com/denny402/p/5166258.html

#加载并裁剪硬币图片
image = data.coins()[50:-50, 50:-50]

# thresh = skimage.filter.thresholding.threshold_otsu(image)
thresh =filters.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
"""bruce说，这是在skimage.color()模块下的结果，在color模块的颜色空间转换函数中，还有一个比较有用的函数是
skimage.color.label2rgb(arr), 可以根据标签值对图片进行着色。以后的图片分类后着色就可以用这个函数。
例：将lena图片分成三类，然后用默认颜色对三类进行着色	https://www.jianshu.com/p/f2e88197e81d
"""


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()

该处使用的url网络请求的数据。

---

总结

形态学目的如下：
图像预处理（去噪声，简化形状）
增强物体结构（抽取骨骼，细化，粗化，凸包，物体标记）
从背景中分隔物体
物体量化描述（面积，周长，投影，Euler-Poincare特征）