数字图像处理第九章形态学处理

最新推荐文章于 2023-09-07 12:19:30 发布

极恶狒狒

最新推荐文章于 2023-09-07 12:19:30 发布

阅读量1.2k

点赞数 1

文章标签： opencv 计算机视觉 python

本文链接：https://blog.csdn.net/zzdzz123/article/details/131398774

版权

第九章形态学图像处理

文章目录

第九章形态学图像处理

1.基础概念

形态学图像处理的基本思想是：把图像视为多个基本形状组成的，分析这些基本形状以便于后期处理图像。基本操作有：膨胀、腐蚀等。

2.基本操作介绍

腐蚀：是一种基本的形态学变换操作之一，它可以用来缩小或者消除二值图像中物体的边缘。
腐蚀操作的原理是将一个结构元素（通常是一个小的矩形或圆形）沿着图像的边界向内滑动，如果结构元素与图像中的像素完全重合，则该像素保留，否则该像素被删除。这样，腐蚀操作可以消除图像中的细节和小的物体，使得图像变得更加简单和平滑。公式表达如式1
$A\ominus B=\{z|(B)_z\subseteq A\}\tag1$
Z为一片区域，A、B集合则包含于Z，式1表示A被B腐蚀。
代码：
```
import cv2
import numpy as np
# 读入图像
img = cv2.imread('aTempImage/9/1.tif', cv2.IMREAD_GRAYSCALE)
# 定义结构元素
kernel = np.ones((5,5), np.uint8)
# 执行腐蚀操作
erosion = cv2.erode(img, kernel, iterations=1)
# 显示结果
result = cv2.hconcat([img,erosion])
cv2.imshow('result',result)
cv2.imwrite('aTempImage/9/2.tif',result)
cv2.waitKey(0)
cv2.destroyAllWindows()
```

效果：在这里插入图片描述

分析：设置了一个5x5的矩形结构，用erode()函数来腐蚀图像，iteration参数是腐蚀的迭代次数。处理的图像是书本上的案例，如图所示，经过腐蚀之后，宽度较大的白色部分明显减少且有向细线形状转变的趋势，部分白色细线则完全消失，如果这个核（5x5的矩形结构）再扩大，或者迭代次数iteration提高，那么被白色部分被腐蚀的程度会加深。
注：图像被腐蚀后能有效去除噪声，但图像本身会被压缩

膨胀：有腐蚀，就有与之相对应的膨胀操作，符号是 $\oplus$ ，它是腐蚀的逆操作，可以用来扩大图像中的物体。膨胀操作的基本思想是将结构元素沿着图像的边缘向外扩张，从而将物体的边界向外扩大。在膨胀操作中，结构元素的形状和大小会影响膨胀的效果。表达如式2所示：
$A\oplus B=\{z|(B)_z\subseteq A\}\tag2$
代码：
```
import cv2
import numpy as np
# 读取图像
img = cv2.imread('aTempImage/9/1.2.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img,(500,500))
# 定义结构元素
kernel = np.ones((5,5), np.uint8)
# 膨胀操作,此时对白色线条进行膨胀
dilation = cv2.dilate(img, kernel, iterations=1)
# 显示结果
result = cv2.hconcat([img,dilation])
cv2.imshow('result',result)
cv2.imwrite('aTempImage/9/2.2.jpg',result)
cv2.waitKey(0)
cv2.destroyAllWindows()
```

效果：在这里插入图片描述

分析：与腐蚀类似，但效果相反，设置一个5x5的矩形结构，使用cv2.dilate（）函数实现膨胀，因为图片较大，所以设置原图大小为500x500。在膨胀之后，图像的白色部分变宽或扩散，如果这个矩形结构被放大或迭代次数提高，则白色扩散的内容会更多。

小结：腐蚀会缩小图像的组成部分（程度取决于核的形状与大小以及迭代次数），膨胀则是扩大

开操作：能够”平滑“物体的轮廓，具体表现为：先腐蚀，再膨胀；可以用于去除图像中的小物体（尽可能地保存主体），平滑图像边缘、消除噪声。表达如式3：
$A\circ B=（A\ominus B）\oplus B\tag3$

闭操作：与开操作相反，闭操作是先膨胀，再腐蚀；能够填充图像中的小孔、消除噪声。表达如式4：
$A\bullet B=（A\oplus B）\ominus B\tag4$

代码：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('aTempImage/9/1.3.jpg', 0)
img = cv2.resize(img, (500, 500))
# 定义结构元素
kernel = np.ones((5, 5), np.uint8)
# 进行开操作
# opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=2)
opening1 = cv2.dilate(img, kernel, iterations=2)
opening2 = cv2.erode(opening1, kernel, iterations=2)
result = cv2.hconcat([img, opening1,opening2])
cv2.imshow('result', result)
cv2.imwrite('aTempImage/9/2.3.jpg',result)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果： 2.3

分析：原图为图1，这是一个加粗的字符Z的图案，我手动给它添加了一些多余的条纹，现在希望能够使用闭操作来消除这些条纹，且尽可能不影响主体内容。具体操作是：先把图像转换为单通道的灰度图像，调整为合适的大小；先用dilate()函数对白色进行膨胀变成图2，此时对白色部分的膨胀度过高，导致原图像压缩得很严重，这时候再用erosion()函数对图2的白色进行腐蚀，形成图3，此时基本达到预期效果，以上的膨胀、腐蚀迭代次数均为2。

小结：腐蚀能够消除图像的噪声，比如“平滑”物体的边界；膨胀则是填充图像中缺少的细小部分（填充效果取决于卷积核以及图像本身），结合两者实现的开、闭操作可以组合出很多的图像处理方案。https://blog.csdn.net/Fishmemory/article/details/53113746关于这几个操作，这篇博客讲得很形象。

对偶性：腐蚀与膨胀从集合的角度来看，存在对偶关系，关系形如式5，6：
${(A\ominus B)}^c=A^c\oplus \hat{B}\tag5$
式5指出，B对A的腐蚀是 $\hat{B}$ 对 $A^c$ 的膨胀的补集，同理，式6指出，B对A的膨胀是$ \hat{B} $对$ A^c$的腐蚀的补集，上标c是补集的意思
${(A\oplus B)}^c=A^c\ominus \hat{B}\tag6$

类似的，开操作可以看作是一个闭操作的对偶操作，而闭操作可以看作是一个开操作的对偶操作，二者的关系形如式7，8：
$(A\bullet B)^c = (A^c \circ \hat{B})\tag7$

$(A\circ B)^c = (A^c\bullet \hat{B})\tag8$
击中或击不中变换：是两种基本形态学操作，也是开闭操作的延伸。
通俗理解就是：用一个小的结构元素（击中结构）去腐蚀原图，击中的元素保留；再用一个很大的结构元素（击不中结构）腐蚀原始图像，击不中原图的位置保留。满足击中元素能击中 且 击不中元素不能击中的位置的元素就是最终的形状结果，表达如式9
$\circledast B=(A\ominus E)⋂(A^c\ominus F)\tag9$

3.基本的形态学算法

边界提取：用来提取二值图像中物体的边界或者灰度图像中的轮廓，边界提取的基本思路是通过对原图像进行腐蚀操作，得到一幅新的图像，然后对原图和新图进行差分运算，得到物体的边界或者轮廓，表达如式10所示
$β(A)=A-(A\ominus B)\tag{10}$
其中，A与B是两个结构元，β(A)是A减去B对A做一次腐蚀操作的结果
```
import cv2
import numpy as np
# 读取原始图像
img = cv2.imread('aTempImage/9/1.4.png', cv2.IMREAD_GRAYSCALE)
# 定义结构元素
# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
kernel = np.ones((5,5),np.uint8)
# 进行腐蚀操作
eroded = cv2.erode(img, kernel)
# 计算边界
boundary = img - eroded
# 显示结果
result = cv2.hconcat([img,boundary])
cv2.imshow('result', result)
cv2.imwrite('aTempImage/9/2.4.png',result)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
效果：

分析：读取原图的灰度图像A，设置一个3x3的卷积核去腐蚀这张图得到B，原图像被腐蚀后，高亮区域会缩小很多，此时，A再减去B即可获得A的轮廓。腐蚀程度与卷积核大小呈正比，腐蚀程度越高，则提取到的边界也越明显（粗）
孔洞填充：基本思路是通过对原图像进行膨胀操作，将孔洞内部的像素逐渐向外扩张，直到与边缘相连为止。具体来说，可以使用一个大的结构元素对原图像进行膨胀操作，然后将膨胀后的结果与原图像进行按位或运算，得到填充后的图像。表达如式11所示：
$X_k = (X_{k-1}\oplus B)\cap A^c,k=1.2.3,…\tag{11}$
连通分量的提取：一张图中可能有多个目标，要提取这些目标首先要识别出他们，为他们设置编号。表达如式12所示
$X_k = (X_{k-1}\oplus B)\cap A,k=1.2.3,…\tag{12}$
凸壳：若集合A内连接任意两个点的直线段都在A的内部，则称A是凸的。任意集合S的凸壳H是包含于S的最小凸集，差集H-S称为S的凸缺。计算出某集合凸壳的方法如式13
$X_k^i = (X_{k-1}\circledast B^i)\cup A,i、k=1,2,3…\tag{13}$
其中， $X_0^i$ 是集合A
细化：将二值图像中的线条、边缘逐渐消减,直到它们变得足够细为止,目的是提取出二值图像中的骨架信息，细化算法通常基于迭代的思想，每一次迭代都会对二值图像进行一次操作，细化更进一步
```
import cv2
from PIL import Image, ImageFilter
# 读取图像
img = Image.open("aTempImage/9/1.4.png").convert('L')
# 应用细化算法
kernel = ImageFilter.Kernel((3,3), (-1,-1,-1, 2,2,2, -1,-1,-1))
skeleton = img.filter(ImageFilter.CONTOUR)
# 显示结果
skeleton.save('aTempImage/9/2.5.png')
```
效果：

分析：对于图像中的每一个像素，根据其周围像素的值来判断它是否可以被消减。如果可以被消减，则将其置为0。这个过程会一直重复，直到图像不能再进行细化为止。细化算法的实现需要考虑到算法的效率和细化结果的正确性，同时还需要注意避免细化过度导致图像信息的丢失。
粗化：表达如式14所示
$A\odot B = A\cup(A\circledast B)\tag{14}$
粗化与细化相反，二者属于对偶关系。假设需要对集合A做粗化操作，可以先求出A的补集 $A^c$ ，再对这个补集做细化，最后做一次求补
骨架：可以看作是物体的中心线或轴线，是物体的重要特征。骨架提取的基本思想是将物体的边界向内收缩，直到物体被压缩成一条线或点。这条线或点就是物体的骨架。骨架提取算法通常需要进行多次迭代，每次迭代都将物体的边界向内收缩一个像素。在每次迭代中，需要对物体的边界进行细化和粗化操作，以便得到更准确的骨架
裁剪：指从一张图像中截取出一个子区域的过程。裁剪通常用于去除图像中不需要的部分，或者将图像分割成多个子区域进行处理，可以用于消除毛刺

形态学重建：基本思想是将一个结构元素在图像中进行膨胀或腐蚀操作，然后通过一系列的迭代来实现形状或区域的重建

import cv2
import numpy as np

# 读取图像
img = cv2.imread("aTempImage/9/1.6.png", cv2.IMREAD_GRAYSCALE)

# 将图像转换为二值图像
thresh, img_bin = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

# 定义竖线结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, img.shape[0]))

# 进行腐蚀操作，将字符变成竖线
img_eroded = cv2.erode(img_bin, kernel)
result = cv2.hconcat([img,img_eroded])
# 保存结果图像
cv2.imwrite('aTempImage/9/2.7.png', result)

效果：
2.7

4.灰度级形态学

基础知识：在灰度级形态学中，结构元素是一个灰度图像，而不是二值图像，所以腐蚀和膨胀操作都是基于灰度值的比较，而不是像素值的比较。开运算和闭运算操作可以用于去除噪声和连接断裂的边缘
补充：灰度图像是一种每个像素点的灰度强度值都介于0到255之间的图像，其中0表示黑色，255表示白色。灰度图像中的每个像素点都可以用一个8位无符号整数来表示，即每个像素点都有256种不同的灰度强度值。而二值图像是一种每个像素点只有两种可能取值的图像，即黑色和白色
注：以下操作的处理对象均为灰度级图像
腐蚀和膨胀：若有平坦结构元b，其原点为（x，y），那么该结构在（x，y）对图像f的腐蚀便定义为：f与b的重合区域的最小值，如式15所示
$[f\ominus b](x,y) = min\{f(x+s,y+t)\},(s,t)\in b\tag{15}$
同理，膨胀则定义为图f与 $b$ 的反射重合区域的最大值，如式16所示
$[f\oplus b](x,y) = max\{f(x-s,y-t)\},(s,t)\in b\tag{16}$
开操作和闭操作：前者先腐蚀后膨胀，抑制比结构元小的亮度细节，导致结果的亮度降低（对暗细节无影响）；后者顺序相反，抑制暗度细节，处理的结果亮度会提高（对亮细节无影响）
形态学平滑：结合开\闭操作，实现平滑图像和减噪
形态学梯度：由结构b对图像f膨胀的结果减去结构b对图像腐蚀的结果得到形态学梯度，如式17所示
$(f\oplus b)-(f\ominus b)\tag1{17}$
腐蚀则细化图像，膨胀则粗化，二者之差能强调图像的边界。图像中的同质区域不受影响，因此相减操作趋于消除同质区域，最终结果就是物体的边缘变得更加明显。在数学中，梯度是一个向量，它表示函数在某一点处的变化率和变化方向；用在图像处理上，因为腐蚀、膨胀分别是对物体做收敛和扩散，所以形态学梯度可以看作是图像中像素值的变化率和变化方向。
顶帽变换和底帽变换：图像减去图像开操作的结果是顶帽变换，图像闭操作的结果减去图像便是底帽变换
粒度测定：充斥大量颗粒状物体的图像中，正确统计这些物体数量的难度较大。解决办法为：使用逐渐变大的结构元对图像做开操作；对于比背景亮的颗粒，基本方法是使用逐渐增大的结构元对图像执行开运算。对于每一个开运算，计算该开运算中像素值的和，因为开运算会降低亮特征的灰度，故像素值会随着结构元的增大而减小

5.总结

本章的主题是形态学处理，主要了学习腐蚀、膨胀操作，在二者的基础上延伸出开操作，闭操作等。为使效果更加明显，实验中的处理对象均是灰度图像

极恶狒狒

关注

1
点赞
踩
16

收藏

觉得还不错? 一键收藏
0
评论
数字图像处理第九章形态学处理

腐蚀：是一种基本的形态学变换操作之一，它可以用来缩小或者消除二值图像中物体的边缘。腐蚀操作的原理是将一个结构元素（通常是一个小的矩形或圆形）沿着图像的边界向内滑动，如果结构元素与图像中的像素完全重合，则该像素保留，否则该像素被删除。这样，腐蚀操作可以消除图像中的细节和小的物体，使得图像变得更加简单和平滑。公式表达如式1A⊖Bz∣Bz⊆A(1)A⊖Bz∣Bz⊆A1Z为一片区域，A、B集合则包含于Z，式1表示A被B腐蚀。
复制链接

扫一扫