第九章 形态学图像处理

这篇具有很好参考价值的文章主要介绍了第九章 形态学图像处理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

9形态学图像处理

9.1预备知识

图像形态学也叫数学形态学,是指一系列处理图像形状特征的图像处理技术,是一门建立在格伦和拓扑学基础上的图像分析学科,是数学形态学图像处理的基本理论。其基本思想是利用一种特殊的结构元来测量或提取输入图像中相应的形状或特征,以便进一步进行图像分析和目标识别。形态学方法的基础是集合论。
常见图像形态学运算:腐蚀、膨胀、开运算、闭运算、骨架抽取、极线腐蚀、击中击不中变换、Top-hat变换、颗粒分析、流域变换、形态学梯度等。其中最基本的形态学操作是:膨胀(dilation)和腐蚀(erosion)两种操作,腐蚀和膨胀的主要作用有:消除噪声;分割出独立的图像元素,在图像中连接相邻的元素;寻找图像中明显的极大值或极小值区;求出图像的梯度等

不做特殊说明,输入图像为二值图像。图像中1是前景,0是背景。

构元(Structuring Elements,SE)可以是任意形状,SE中的的值可以是0或1。常见的结构元有矩形和十字形。结构元有一个锚点O,O一般定义为结构元的中心(也可以自由定义位置)。如下图所示是几个不同形状的结构元,紫红色区域为锚点O。
第九章 形态学图像处理

整个结构元我们可以使用一个 正方形的模板矩阵来表示,窗口大小wnd_size表示矩阵的宽高,模板数据元素值为0或者1,1表示结构元中对应元素要起作用。通过标记不同的元素值,我们可以使用模板矩阵来表示任意形状的结构元。

9.2腐蚀与膨胀

9.2.1腐蚀

表示为 A ⊖ B A\ominus B AB的B对A的腐蚀定义为: A ⊖ B = { z ∣ ( B ) z ⊆ A } A\ominus B=\left\{z\mid\left(B\right)_{z}\subseteq A\right\} AB={z(B)zA}
表面上,该式指出B对A的腐蚀是一个用z平移的B包含在A中的所有的点z的集合。假定集合B是一个结构元,因为B必须包含在A中这一陈述等价于B不与背景共享任何公共元素,故我们可以将腐蚀表达为如下的等价形式: A ⊖ B = { z ∣ ( B ) z ∩ A c = ∅ } A\ominus B=\left\{z\mid\left(B\right)_z\cap A^c=\varnothing\right\} AB={z(B)zAc=}

import cv2
import numpy as np
import matplotlib.pyplot as plt
import random
import math
def cv2_show(*args):
    for ttt in range(len(args)):
        img=args[ttt]
        cv2.imshow('img', img)
        cv2.waitKey(0)    
        cv2.destroyAllWindows() 

def plt_show(*args):
    plt.figure(figsize=(12, 6)) 
    for ttt in range(len(args)):
        img = args[ttt]
        if (len(img.shape) == 3):
            img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
        elif (len(img.shape) == 2):
            img = cv2.cvtColor(img, cv2.COLOR_GRAY2RGB)
        plt.subplot(231+ttt), plt.imshow(img)

img=cv2.imread('dige.png',0)
kernel = np.ones((3,3),np.uint8) 
num=[[]]*6
for i in range(6):
    num[i] = cv2.erode(img,kernel,iterations = i)
plt_show(num[0],num[1],num[2],num[3],num[4],num[5])

第九章 形态学图像处理

可看出腐蚀操作使得线条变细直至消失

9.2.2膨胀

表示为 A ⊕ B A\oplus B AB的B对A的膨胀定义为 A ⊕ B = { z ∣ ( B ^ ) z ∩ A ≠ ∅ } A\oplus B=\left\{z\mid(\hat{B})_{z}\cap A\neq\emptyset\right\} AB={z(B^)zA=}
这个公式是以B关于它的原点的映像,并且以z对映像进行平移为基础的。B对A的膨胀是所有位移z的集合,这样,B和A至少有一个元素是重叠的。根据这种解释,式子可以等价地写为 A ⊕ B = { z ∣ [ ( B ^ ) z ∩ A ] ⊆ A } A\oplus B=\left\{z\mid[(\hat{B})_z\cap A]\subseteq A\right\} AB={z[(B^)zA]A}

img=cv2.imread('dige.png',0)
kernel = np.ones((3,3),np.uint8) 
num=[[]]*6
for i in range(6):
    num[i] = cv2.dilate(img,kernel,iterations = i)
plt_show(num[0],num[1],num[2],num[3],num[4],num[5])

第九章 形态学图像处理

可看出线条不断变粗

9.2.3对偶性

膨胀和腐蚀彼此关于集合求补运算和反射运算是对偶的,即 ( A ⊖ B ) c = A c ⊕ B ^ (A\ominus B)^c=A^c\oplus\hat{B} (AB)c=AcB^ ( A ⊕ B ) c = A c ⊖ B ^ \left(A\oplus B\right)^{c}= A^{c}\ominus \hat{B} (AB)c=AcB^

9.3开操作和闭操作

  • 开运算:先腐蚀,后膨胀
  • 闭运算:先膨胀,后腐蚀

结构元B对集合A的开操作,表示为 A ∘ B A\circ B AB,其定义如下: A ∘ B = ( A ⊖ B ) ⊕ B A\circ B=(A\ominus B)\oplus B AB=(AB)B
结构元B对集合A的闭操作,表示为 A ∙ B A\bullet B AB,其定义如下: A ∙ B = ( A ⊕ B ) ⊖ B A \bullet B=(A\oplus B)\ominus B AB=(AB)B

kernel = np.ones((5,5),np.uint8) 
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
plt_show(img,opening,closing)

第九章 形态学图像处理

图一为原图,图二和图三分别为开操作和闭操作后的结果

9.4击中或击不中变换

  • 作用:在二值图像中找到匹配
  • 公式: A ∗ ◯ B = ( A ⊖ B 1 ) ∩ ( A c ⊖ B 2 ) A\textcircled{*} B=(A\ominus B_1)\cap(A^c\ominus B_2) AB=(AB1)(AcB2)

9.5一些基本形态学方法

9.5.1边界提取

原图-腐蚀: β ( A ) = A − ( A ⊖ B ) \beta\left(A\right) =A-\left(A\ominus B\right) β(A)=A(AB)

a=cv2.imread('am.png',0)
kernel = np.ones((3,3),np.uint8) 
a2=cv2.erode(a,kernel,iterations = 1)
plt_show(a,a2,a-a2)

第九章 形态学图像处理

如图3所示,提取了边界

9.5.2空洞填充

填充公式: X k = ( X k − 1 ⊕ B ) ∩ A c k = 1 , 2 , 3 , ⋯ X_{k}=(X_{k-1}\oplus B)\cap A^c\quad k=1,2,3,\cdots Xk=(Xk1B)Ack=1,2,3,

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread("dong.png")

# 二值化
imgray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
imgray[imgray < 100] = 0
imgray[imgray >= 100] = 255

# 原图取补得到MASK图像
mask = 255 - imgray

# 构造Marker图像
marker = np.zeros_like(imgray)
marker[0, :] = 255
marker[-1, :] = 255
marker[:, 0] = 255
marker[:, -1] = 255
marker_0 = marker.copy()

# 形态学重建
SE = cv.getStructuringElement(shape=cv.MORPH_CROSS, ksize=(3, 3))
while True:
    marker_pre = marker
    dilation = cv.dilate(marker, kernel=SE)
    marker = np.min((dilation, mask), axis=0)
    if (marker_pre == marker).all():
        break
dst = 255 - marker
filling = dst - imgray

# 显示
plt.figure(figsize=(12, 6))  # width * height
plt.subplot(2, 3, 1), plt.imshow(imgray, cmap='gray'), plt.title('src'), plt.axis("off")
plt.subplot(2, 3, 2), plt.imshow(mask, cmap='gray'), plt.title('Mask'), plt.axis("off")
plt.subplot(2, 3, 3), plt.imshow(marker_0, cmap='gray'), plt.title('Marker 0'), plt.axis("off")
plt.subplot(2, 3, 4), plt.imshow(marker, cmap='gray'), plt.title('Marker'), plt.axis("off")
plt.subplot(2, 3, 5), plt.imshow(dst, cmap='gray'), plt.title('dst'), plt.axis("off")
plt.subplot(2, 3, 6), plt.imshow(filling, cmap='gray'), plt.title('Holes'), plt.axis("off")
plt.show()

第九章 形态学图像处理

图5为空洞填充效果图

9.5.3连通分量的提取

从二值图像中提取连通分量是许多自动图像分析应用中的核心。令A是包含一个或多个连通分量的集合,并形成一个阵列X。(该阵列的大小与包含A的阵列的大小相同).除了在对应于A中每个连通分量中的一个点的已知的每一个位置处我们已置为1(前景值)外,该阵列的所有其他元素均为0(背景值)。如下迭代过程可完成这一目的:$ X k = ( X k − 1 ⊕ B ) ∩ A k = 1 , 2 , 3 , ⋯ X_k=(X_{k-1}\oplus B)\cap A\quad k=1,2,3,\cdots Xk=(Xk1B)Ak=1,2,3,

9.5.4凸壳

如果在集合A内连接任意两个点的直线段都在A的内部、则称集合A是凸形的。任意集合S的凸壳H是包含于S的最小凸集。集合差H-S称为S的凸缺。凸壳和凸缺对于物体描绘是很有用的。这里,我们介绍一种获得集合A的凸壳C(A)的简单形态学算法。
B i , i = 1 , 2 , 3 , 4 B^i,i= 1,2,3,4 Bi,i=1,2,3,4表示下图中的4个结构元。这个过程可通过执行下式实现: X k i = ( X k − 1 ∗ ◯ B i ) ∪ A i = 1 , 2 , 3 , 4 和 k = 1 , 2 , 3 , ⋯ X_{k}^{i}=(X_{k-1}{\textcircled{*}}B^{i})\cup A \quad i=1,2,3,4 和 k=1,2,3,\cdots Xki=(Xk1Bi)Ai=1,2,3,4k=1,2,3,
其中 X 0 i = A X_0^i=A X0i=A。当该过程收敛时(即当 X k i = X k − 1 i X_k^i=X_{k-1}^i Xki=Xk1i时),我们令 D i = X k i D^i=X^i_k Di=Xki。则A 的凸壳为 C ( A ) = ⋃ i = 1 4 D i C({A})=\bigcup_{i=1}^4D^i C(A)=i=14Di
第九章 形态学图像处理

9.5.5细化

定义: A ⊗ B = A − ( A ∗ ◯ B ) = A ∩ ( A ∗ ◯ B ) C A\otimes B=A-(A\textcircled{*} B)=A\cap(A\textcircled{*} B)^{C} AB=A(AB)=A(AB)C

9.5.6粗化

定义: A ∙ B = A ∪ ( A ∗ ◯ B ) A\bullet B=A\cup(A\textcircled{*} B) AB=A(AB)

9.6灰度级形态学

9.6.3一些基本的形态学算法

形态学梯度:膨胀-腐蚀

img=cv2.imread('am.png',0)
kernel = np.ones((3,3),np.uint8) 
dilate = cv2.dilate(img,kernel,iterations = 1)
erosion = cv2.erode(img,kernel,iterations = 1)
img2=dilate-erosion
plt_show(img,dilate,erosion,img2)

第九章 形态学图像处理

上图中,(膨胀-腐蚀)可得出梯度(最后一幅图)

礼帽与黑帽

  • 礼帽 = 原始输入-开运算结果(取’刺’)
  • 黑帽 = 闭运算-原始输入(取’整体’)
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, np.ones((7,7),np.uint8) )
blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, np.ones((15,15),np.uint8) )
plt_show(img,tophat,blackhat)

第九章 形态学图像处理文章来源地址https://www.toymoban.com/news/detail-488337.html

到了这里,关于第九章 形态学图像处理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 《数字图像处理-OpenCV/Python》连载:形态学图像处理

    本书京东 优惠购书链接 https://item.jd.com/14098452.html 本书CSDN 独家连载专栏 https://blog.csdn.net/youcans/category_12418787.html 形态学图像处理是基于形状的图像处理,基本思想是利用各种形状的结构元进行形态学运算,从图像中提取表达和描绘区域形状的结构信息。形态学运算的数学原

    2024年02月19日
    浏览(74)
  • python数字图像处理基础(四)——图像平滑处理、形态学操作、图像梯度

    让有噪音点(图像上显得突兀的像素点)的图像变得更加自然顺眼 1.均值滤波 blur() 根据核的大小(rowcol),每个像素值就等于以此像素为中心的周围rowcol个像素的平均值。 核大一点,显然越平滑、模糊。 result = cv2.blur(img, (15, 15)) 2.方框滤波 boxFilter() normalize=true的时候,效果同

    2024年01月18日
    浏览(77)
  • 图像处理技巧形态学滤波之腐蚀操作

    欢迎回来,我的图像处理爱好者们!今天,让我们深入研究图像处理领域中的形态学计算。这些非线性的图像处理技术允许我们操纵图像中对象的形状和结构。在本系列中,我们将依次介绍四种基本的形态学操作:腐蚀、膨胀、开操作和闭操作。 闲话少说,我们直接开始吧!

    2024年02月13日
    浏览(51)
  • OpenCV图像处理学习十,图像的形态学操作——膨胀腐蚀

    一.形态学操作概念 图像形态学操作是指基于形状的一系列图像处理操作的合集,主要是基于集合论基础上的形态学数学对图像进行处理。 形态学有四个基本操作:腐蚀、膨胀、开操作、闭操作,膨胀与腐蚀是图像处理中最常用的形态学操作手段。 二.形态学操作-膨胀 跟卷积

    2024年02月05日
    浏览(52)
  • 简要介绍 | 基于Python的图像形态学处理概述

    注1:本文系“简要介绍”系列之一,仅从概念上对基于Python的图像形态学处理进行非常简要的介绍,不适合用于深入和详细的了解。 Digital terrain models from airborne laser scanning for the automatic extraction of natural and anthropogenic linear structures In: Geomorphological Mapping: a professional handbook of

    2024年02月10日
    浏览(41)
  • 【计算机视觉】图像处理算法(形态学滤波篇)

    来源:《OpenCV3编程入门》,怀念毛星云大佬🕯️ 说明: 本系列重点关注各种图像处理算法的原理、作用和对比 数学形态学的概念: 数学形态学(Mathematical morphology)是立在格论和拓扑学基础之上的图像分析学科,足数学形态学阁像处现的基本理论。其基本的运算包括:二值腐

    2024年03月10日
    浏览(50)
  • OpenCV基本图像处理操作(一)——图像基本操作与形态学操作

    图像显示 转hsv图像 颜色表示为三个组成部分:色调(Hue)、饱和度(Saturation)和亮度(Value)。常用于图像处理中,因为它允许调整颜色的感知特性,如色彩和亮度,这些在RGB颜色模型中不那么直观。 HSV模型特别适用于任务如图像分割和对象追踪,因为它可以更好地处理光

    2024年04月22日
    浏览(82)
  • 图像处理基础篇-形态学处理-边缘检测(matlab仿真与图像处理系列第4期)

    图像处理方面的老师,第一天学习以下内容和代码: 图像读取和显示:在Matlab中,可以使用imread函数读取图像,并使用imshow函数显示图像。以下是一个简单的示例代码: 图像滤波:滤波是图像处理中常用的一种技术,可以用来去除噪声、平滑图像等。以下是一些常见的滤波

    2024年02月11日
    浏览(43)
  • Python-OpenCV中的图像处理-形态学转换

    形态学操作:腐蚀,膨胀,开运算,闭运算,形态学梯度,礼帽,黑帽等 主要涉及函数:cv2.erode(), cv2.dilate(), cv2.morphologyEx() 原理:形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数,一个是原始图像,第二个被称为结构化

    2024年02月13日
    浏览(55)
  • 基于图像形态学处理的目标几何形状检测算法matlab仿真

    目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 5.算法完整程序工程     matlab2022a        目标几何形状检测是计算机视觉领域中的重要任务之一,旨在从图像中自动识别和定位不同的几何形状,例如矩形、圆形、三角形等。这些形状检测在许

    2024年02月14日
    浏览(55)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包