用Skimage学习数字图像处理（018）：图像形态学处理（上）

Jason 2008

已于 2024-04-09 16:25:45 修改

阅读量267

点赞数 3

分类专栏：用skimage学习数字图像处理文章标签：学习计算机视觉图像处理

于 2024-04-04 09:35:43 首次发布

本文链接：https://blog.csdn.net/ahhjian/article/details/137366241

版权

用skimage学习数字图像处理专栏收录该内容

21 篇文章 9 订阅

订阅专栏

本节开始讨论图像形态学处理，这是上篇，将介绍与二值形态学相关的内容，重点介绍两种基本的二值形态学操作：腐蚀和膨胀，以及三种复合二值形态学操作：开、闭和击中击不中变换。

9.1 基础

9.1.1 起源

数学形态学（Mathematical morphology）是一门研究形态和结构的学科，主要应用于图像处理和数据分析领域。它通过建立数学模型来描述和分析各种形态，包括形状、大小和结构等信息。

数学形态学的研究可追溯到20世纪60年代，1964年由法国科学家Matheron及其学生Serra在从事铁矿核的定量岩石学分析过程中，提出了数学形态学理论，后来又由Serra将其推广到图像处理中。其代表性成果是1982年由Serra撰写的专著“Image Analysis and Mathematical Morphology”。

随着计算机技术的不断发展，数学形态学在图像处理领域的应用越来越广泛，逐渐成为图像处理领域中的重要分支，在文字识别、显微成像分析、医学图像、工业检测、机器视觉等领域都有成功的应用案例，主要涉及到图像处理技术包括：图像增强、分割、恢复、边缘检测、纹理分析等。

9.1.2 理论基础

数学形态学是分析几何形状和结构的数学方法，它是建立在集合代数基础上，用集合论的方法定量描述目标几何结构的学科。

基本操作如下：利用一个结构元素（相当于模板）去探测一个对象，看是否能将该结构元素合适地放置在对象的内部，同时验证放置结构元素的方法是否有效。

在对象内部适合仿佛结构元素的位置做标记，从而得到关于对象结构的信息。这些信息与结构元素的尺寸和形状都相关。构建不同的结构元素，便可得到不同的分析结果。

（a）结构元

数学形态学运算是在结构元（Structuring Elements）作用下进行的，利用它与二值图像对应的区域进行特定的逻辑运算。结构元类似空域滤波的模板。它是指一种特殊定义的邻域结构，在图像中不断移动结构元，就可以考察图像之间各部分的关系，其形状、尺寸的选择决定了数学形态学运算的效果。

结构元可以是任意形状和尺寸，且有一个原点（Original point 或 Anchor point）。但结构元一般是对称形状，且原点通常位于中心的位置。

Skimage通过morphology子模块实现对形态学处理的支持。该子库提供了多种结构元的定义方式。

skimage.morphology.disk(radius, dtype, strict_radius, decomposition)：碟形
skimage.morphology.ellipse(width, height, dtype, decomposition)：椭圆形
skimage.morphology.octagon(m, n, dtype, decomposition)：八边形
skimage.morphology.rectangle(nrows, ncols, dtype, decomposition)：矩形
skimage.morphology.square(width, dtype, decomposition)：正方形
skimage.morphology.diamond(radius, dtype, decomposition)：菱形
skimage.morphology.star(a, dtype)：星形
skimage.morphology.ball(radius, dtype, strict_radius, decomposition)：球形（立体）
skimage.morphology.cube(width, dtype, decomposition)：立方体（立体）
skimage.morphology.octahedron(radius, dtype, decomposition)：八面体（立体）

其中，前六种是2D结构元，后三种是3D结构元。以下是一段绘制各种结构元的例子：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

from skimage.morphology import (square, rectangle, diamond, disk, cube,
                                octahedron, ball, octagon, star)

# Generate 2D and 3D structuring elements.
struc_2d = {
    "square(15)": square(15),
    "rectangle(15, 10)": rectangle(15, 10),
    "diamond(7)": diamond(7),
    "disk(7)": disk(7),
    "octagon(7, 4)": octagon(7, 4),
    "star(5)": star(5)
}

struc_3d = {
    "cube(11)": cube(11),
    "octahedron(5)": octahedron(5),
    "ball(5)": ball(5)
}

# Visualize the elements.
fig = plt.figure(figsize=(8, 8))

idx = 1
for title, struc in struc_2d.items():
    ax = fig.add_subplot(3, 3, idx)
    ax.imshow(struc, cmap="Paired", vmin=0, vmax=12)
    for i in range(struc.shape[0]):
        for j in range(struc.shape[1]):
            ax.text(j, i, struc[i, j], ha="center", va="center", color="w")
    ax.set_axis_off()
    ax.set_title(title)
    idx += 1

for title, struc in struc_3d.items():
    ax = fig.add_subplot(3, 3, idx, projection=Axes3D.name)
    ax.voxels(struc)
    ax.set_title(title)
    idx += 1

fig.tight_layout()
plt.show()

（b）基本操作

形态学涉及到两种基本操作，并考察两个对象之间的三种关系，在此逐一说明。

两种操作：平移（Translation）、反射（Reflection）。

（1）平移操作

将集合A平移x，可表示为Ax，可表示为：

$A_x=\{c|c=a+x,\text{for} \quad a\in A\}$

（2）反射操作

将集合A相对于原点做对称变换，将其结果记为 $\hat{A}$ ，称为A的反射。

$\hat{A}=\{w|w=-a, \text{for}\quad a\in B\}$

以二维空间情况为例，有 $\hat{A}=A(-x,-y)$ 。

（c）三种关系

三种关系：适合、击中、击不中。

设A为对象区域，B为结构元素，则将B在A所在的图像区域内移动，根据两者之间的位置关系不同，可分为三类：

B被A包含，称为B适合（fit）A： $B\subset A$
B与A相交，称为B击中（hit）A： $B\cap A \neq \Phi$
B与A不相交，称为B击不中（miss）A： $B\cap A = \Phi$

下图所示分别是三种关系的示意图，从左至右分别代表：适合、击中和击不中三种情况。

9.2 基本操作

数学形态学学的基本操作有两种：腐蚀（Erosion）和膨胀（Dilation）。

9.2.1 腐蚀

腐蚀操作的一种数学定义式如下：

令用集合B腐蚀集合A，表示为 $A \ominus B$ ，其定义式为：

$A\ominus B = \{x|(B)_x \subseteq A\}$

腐蚀操作表示将B平移x后，(B)x与A满足适合操作的所有平移坐标点x的集合。

将A看作是对象，B看作是模板，则是由在整幅图像中平移B的过程中，所有可以放置在A内部的模板B的原点所构成的点集。

一般情况下，如果原点在结构元B的内部，则腐蚀后的对象是原对象的一个子集；如果原点不在结构元内部，则腐蚀后的图像可能不在输入图像的内部，但输出的形状保持不变。

9.2.2 膨胀

膨胀可以视为腐蚀才做的互偶运算（注意，不是逆运算）。

在进行膨胀操作时，先对原始的结构元B进性反射处理，得到 $\hat{B}$ ，然后在整幅图像内平移 $\hat{B}$ ，所有令 $\hat{B}$ 和A满足击中操作，即交集不为空集的 $\hat{B}$ 原点所构成的点集，都划归为的膨胀的结果。

其基于集合操作的定义式如下：

$A\oplus B=\{x|(\hat{B})_x\cap A \neq \emptyset \}$

9.2.3 实现

腐蚀使图像中对象部分被腐蚀，“邻域被蚕食”，腐蚀的效果拥有比原对象更小的高亮区域，可以去掉毛刺，去掉孤立的像素，提取骨干信息。

膨胀使图像中的对象区域进行膨胀，“邻域扩张”，膨胀效果拥有比原图更大的高亮区域；膨胀操作可以填补图像缺陷，用来扩充边缘或填充小的孔洞，也可以用来连接两个分开的物体。

Skimage提供了形态学腐蚀和膨胀的基本操作的实现。

skimage.morphology.erosion(image, footprint, out, shift_x, shift_y)：面向灰度图像的腐蚀
skimage.morphology.dilation(image, footprint, out, shift_x, shift_y)：面向灰度图像的膨胀
skimage.morphology.binary_erosion(image, footprint, out)：面向二值图像的腐蚀
skimage.morphology.binary_dilation(image, footprint, out)：面向二值图像的膨胀
skimage.morphology.isotropic_dilation(image, radius, out, spacing)：速度更快
skimage.morphology.isotropic_erosion(image, radius, out, spacing)：速度更快

9.3 复合操作

在腐蚀和膨胀基础之上，可以构建三种复合操作，即：开、闭和击中击不中运算。

腐蚀和膨胀会显著改变对象的尺寸。开运算和闭运算在完成类似腐蚀和膨胀相似功能的同时，不会明显改变对象的尺寸。

9.3.1 开/闭运算

开运算（Open）就是先腐蚀后膨胀的过程，通常用于去除噪点、断开狭窄的狭颈、消除细长的突出、平滑物体边界但不改变面积。结构元 B 对集合 A 的开运算定义为

$A\circ B=(A\ominus B)\oplus B$
闭运算（Close）就是先膨胀后腐蚀的过程，通常用于弥合狭窄的断裂和细长的沟壑，消除小孔，填补轮廓中的缝隙，消除噪点，连接相邻的部分。结构元 B 对集合 A 的闭运算定义为：

$A\bullet B=(A\oplus B)\ominus B$

9.3.2 击中击不中

击中-击不中（Hit-Missing Transform）是形态检测的基本工具，可以实现对象的细化和剪枝操作，常用于物体识别、图像细化。

击中-击不中变换变换定义为两个结构元 $\{A_1,A_2\}$ 对对集合 A 的运算：

$A\ast B_{1,2}=(A\ominus B_1)\cap (A^C\ominus B_2)$

上式中，结构元 B1 对图像上进行腐蚀、结构元 B2 对图像的补集进行腐蚀，二者的结果相减得到击中-击不中变换。

击中击不中变换有两个结构元，B1 是当前位置可以有的形状，B2是当前位置不可以有的形状，虽然总体而言这两个结构元应该被视为一体，但在实际运算中是先后进行两次腐蚀运算，然后取交集。

9.3.3 实现

Skimage提供了多种类型的开、闭运算的实现，列表如下：

skimage.morphology.opening(image, footprint, out)：灰度图像开运算
skimage.morphology.closing(image, footprint, out)：灰度图像闭运算
skimage.morphology.binary_opening(image, footprint, out)：二值图像开运算
skimage.morphology.binary_closing(image, footprint, out)：二值图像闭运算
skimage.morphology.isotropic_opening(image, radius, out, spacing)：更快的二值图像开运算
skimage.morphology.isotropic_closing(image, radius, out, spacing)：更快的二值图像闭运算
skimage.morphology.area_closing(image, area_threshold, connectivity, parent, tree_traverser)
skimage.morphology.area_opening(image, area_threshold, connectivity, parent, tree_traverser)
skimage.morphology.diameter_opening(image, diameter_threshold, connectivity, parent, tree_traverser)
skimage.morphology.diameter_closing(image, diameter_threshold, connectivity, parent, tree_traverser)

其中，后四种开/闭运算主要针对特定情况的对象。

对于HMT，Skimage没有给出直接的实现，可以根据定义，并结合基本开闭运算完成。

至此，本节介绍了有关形态学处理的理论基础，以及两类基本操作和三类复合操作。

下一节讲继续介绍这些操作在二值图像和灰度图像的应用。

（本节初稿完成时间：2024-04-09 ）

Jason 2008

关注

3
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
用Skimage学习数字图像处理（018）：图像形态学处理（上）

本节开始讨论图像形态学处理，这是上篇，将介绍与二值形态学相关的内容，重点介绍两种基本的二值形态学操作：腐蚀和膨胀，以及三种复合二值形态学操作：开、闭和击中击不中变换。
复制链接

扫一扫