图像的形态处理学

一、形态学的基本概念

基本思想：用一定形态的结构元素去度量和提取图像中的对应形状，从而达到分析和识别的目的。

适用范围：图像的分割、特征抽取、边界检测

作用:这门学科在计算机文字识别，计算机显微图像分析，医学图像处理,工业检测等方面都取得了非常成功的应用。形态学方法已成为图像应用领域工程技术人员的必备工具。目前，有关数学形态学的技术和应用正在不断地研究和发展。

主要的数学基础:集合论

结构元素:形态学变换中的基本元素，是为了探测图像的某种结构信息而设计的特定形状和尺寸的图像，称为收集图像的结构信息的探针

结构元素类型：圆形、方型、线形、可以携带多汁知识进行探测。

利用上述结构元素在图像中逐点移动，看看这个像素满不满足某个结构的要求

结构元素本身就是图像

二、形态学算子

形态学运算：二值腐蚀、膨胀、二值开闭运算、骨架抽取、击中击不中变换等

形态学四个基本算子：膨胀、腐蚀、开启、闭合

腐蚀运算

什么是腐蚀运算呢？
概念:有一结构元素B和一副图像X，现在讲结构元素B逐点遍历，如果该点和其邻域与结构元素B全等，则保留该店，否则舍弃该点。

腐蚀运算有什么作用呢？

• 可以消除物体边界点，使边界向内部收缩。
• 可以把小于结构元素的物体去掉，选取不同大小的结构元素，去除不同大小 的物理。

水平方向的腐蚀
其结构元素形式如下

垂直方向的腐蚀
其结构元素如下

全方向腐蚀

代码实现

    # 图像的腐蚀
    def imageErosion(self,v,count=1):
        for i in range(0,count):
            self.__imageErosion__(v)
    def __imageErosion__(self,v): #参数v为结构元素
        width = len(v) #首先判断结构元素的大小
        v_w=int(width/2) #得到中心点到边界的大小
        img_buf=np.copy(self.Img) #开辟一个图像缓存区
        # 可以使用模板的区域进行遍历
        for y in range(v_w,self.f_height-v_w):
            for x in range(v_w,self.f_width-v_w):
                v_values=self.Img[y-v_w:y+v_w+1,x-v_w:x+v_w+1,0] # 得到所有像素元的值
                if self.Img[y,x,0]==255:
                    continue
                # 然后比较该像素点是否符合结构元素的特点
                flag=False
                for y_i in range(0,len(v_values)):
                    for x_i in range(0,len(v_values[y_i])):
                        v1=v[y_i][x_i]
                        p1=v_values[y_i][x_i]
                        if v1==0:
                            continue
                        elif v1==1 and p1==255:
                            flag=True
                            break
                    if flag:
                        break
                if flag==True:
                    img_buf[y,x,:]=255
        self.Img=img_buf

原图如下

效果图如下(水平腐蚀2次)

膨胀运算

什么是膨胀运算呢？
与腐蚀相反

注意：膨胀运算的结构元素与腐蚀运算的结构元素是一一对应的，可以通用

对二值化物体边界点扩充，将与物体接触的所有背景点合并到该物体中，使边界向外部扩展。
如果两个物体之间的距离比较近，可能会把两个物体连通到一起。
对填补图像分割后的物体空洞有作用。

注意腐蚀和膨胀并不互为逆运算，但是可以级连结合使用

简单点说，腐蚀作用要求图像上的某点元素的领域完全与结构元素相同才保留，而膨胀作用只要求某点元素的领域与结构元素有相交部分就保留，这里所指的保留是如果该点位背景点，则将其改变为物体点，如果是物体点，则还是不变。

代码实现

    # 图像膨胀
    def imageDilation(self,v,count=1):
        for i in range(0,count):
            self.__imageDilation__(v)
    def __imageDilation__(self,v):
        width = len(v) #首先判断结构元素的大小
        v_w=int(width/2) #得到中心点到边界的大小
        img_buf=np.copy(self.Img) #开辟一个图像缓存区
        # 可以使用模板的区域进行遍历
        for y in range(v_w,self.f_height-v_w):
            for x in range(v_w,self.f_width-v_w):
                v_values=self.Img[y-v_w:y+v_w+1,x-v_w:x+v_w+1,0] # 得到所有像素元的值
                flag = False # 设置标记为FALSE
                '下面对抽取的像素进行遍历'
                for y_i in range(0,len(v_values)):
                    for x_i in range(0,len(v_values[y_i])):
                        v1=v[y_i][x_i] # 结构元素中的值
                        p1=v_values[y_i][x_i] # 抽取出来的像素里的值
                        if v1==0: #如果结构元素中的值为0，则说明这个地方为NULL。直接忽略
                            continue
                        elif (v1==1 and p1==0): #否则的话，判断结构元素中的点是否为物体，如果是，则满住膨胀条件
                            flag=True
                            break
                    if flag== True:
                        img_buf[y, x, :] = 0
                        break

        self.Img=img_buf

原图如下

膨胀之后的图像(全方向腐蚀，5*5的结构元素大小)

三、图像的开启与闭合

基本概念
有膨胀和腐蚀两个运算的复合与集合操作组成的所有运算构成。

开运算：先对图像进行腐蚀运算，然后再对图像进行膨胀运算(使用同一结构元素)

闭运算：先对图像进行膨胀运算，然后再对图像进行腐蚀运算（使用同一结构元素）

作用
开运算：能够去除孤立的小点，毛刺和小桥(连通两片区域的小点)，消除小物体，平滑较大物体的边界。同时并不明显改变其面积。但是开运算后的图像与原图像不等

闭运算：先膨胀、后腐蚀，其功能是用来填充物体内细小的空洞，弥合小裂缝，同时并不明显改变其面积。但是闭运算后的图像与原图像不等