python數字圖像處理（18）：高級形態學處理

形態學處理，除了最基本的膨脹、腐蝕、開/閉運算、黑/白帽處理外，還有一些更高級的運用，如凸包，連通區域標記，刪除小塊區域等。

一、凸包

凸包是指一個凸多邊形，這個凸多邊形將圖片中全部的白色像素點都包含在內。

函數爲：

skimage.morphology.convex_hull_image(image)

輸入爲二值圖像，輸出一個邏輯二值圖像。在凸包內的點爲True, 不然爲False

例：

import matplotlib.pyplot as plt
from skimage import data,color,morphology #生成二值測試圖像 img=color.rgb2gray(data.horse()) img=(img<0.5)*1 chull = morphology.convex_hull_image(img) #繪製輪廓 fig, axes = plt.subplots(1,2,figsize=(8,8)) ax0, ax1= axes.ravel() ax0.imshow(img,plt.cm.gray) ax0.set_title('original image') ax1.imshow(chull,plt.cm.gray) ax1.set_title('convex_hull image')

convex_hull_image()是將圖片中的全部目標看做一個總體，所以計算出來只有一個最小凸多邊形。若是圖中有多個目標物體，每個物體須要計算一個最小凸多邊形，則須要使用convex_hull_object（）函數。

函數格式：skimage.morphology.convex_hull_object(image, neighbors=8)

輸入參數image是一個二值圖像，neighbors表示是採用4連通仍是8連通，默認爲8連通。

例：

import matplotlib.pyplot as plt
from skimage import data,color,morphology,feature #生成二值測試圖像 img=color.rgb2gray(data.coins()) #檢測canny邊緣,獲得二值圖片 edgs=feature.canny(img, sigma=3, low_threshold=10, high_threshold=50) chull = morphology.convex_hull_object(edgs) #繪製輪廓 fig, axes = plt.subplots(1,2,figsize=(8,8)) ax0, ax1= axes.ravel() ax0.imshow(edgs,plt.cm.gray) ax0.set_title('many objects') ax1.imshow(chull,plt.cm.gray) ax1.set_title('convex_hull image') plt.show()

二、連通區域標記

在二值圖像中，若是兩個像素點相鄰且值相同（同爲0或同爲1），那麼就認爲這兩個像素點在一個相互連通的區域內。而同一個連通區域的全部像素點，都用同一個數值來進行標記，這個過程就叫連通區域標記。在判斷兩個像素是否相鄰時，咱們一般採用4連通或8連通判斷。在圖像中，最小的單位是像素，每一個像素周圍有8個鄰接像素，常見的鄰接關係有2種：4鄰接與8鄰接。4鄰接一共4個點，即上下左右，以下左圖所示。8鄰接的點一共有8個，包括了對角線位置的點，以下右圖所示。

在skimage包中，咱們採用measure子模塊下的label（）函數來實現連通區域標記。

函數格式：

skimage.measure.label（image,connectivity=None)

參數中的image表示須要處理的二值圖像，connectivity表示鏈接的模式，1表明4鄰接，2表明8鄰接。

輸出一個標記數組（labels), 從0開始標記。

import numpy as np
import scipy.ndimage as ndi
from skimage import measure,color
import matplotlib.pyplot as plt

#編寫一個函數來生成原始二值圖像
def microstructure(l=256):
    n = 5
    x, y = np.ogrid[0:l, 0:l]  #生成網絡
    mask = np.zeros((l, l))
    generator = np.random.RandomState(1)  #隨機數種子
    points = l * generator.rand(2, n**2)
    mask[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
    mask = ndi.gaussian_filter(mask, sigma=l/(4.*n)) #高斯濾波
    return mask > mask.mean()

data = microstructure(l=128)*1 #生成測試圖片

labels=measure.label(data,connectivity=2)  #8連通區域標記
dst=color.label2rgb(labels)  #根據不一樣的標記顯示不一樣的顏色
print('regions number:',labels.max()+1)  #顯示連通區域塊數(從0開始標記)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4))
ax1.imshow(data, plt.cm.gray, interpolation='nearest')
ax1.axis('off')
ax2.imshow(dst,interpolation='nearest')
ax2.axis('off')

fig.tight_layout()
plt.show()

在代碼中，有些地方乘以1，則能夠將bool數組快速地轉換爲int數組。

結果如圖：有10個連通的區域，標記爲0-9

若是想分別對每個連通區域進行操做，好比計算面積、外接矩形、凸包面積等，則須要調用measure子模塊的regionprops（）函數。該函數格式爲：

skimage.measure.regionprops(label_image)

返回全部連通區塊的屬性列表，經常使用的屬性列表以下表：

屬性名稱	類型	描述
area	int	區域內像素點總數
bbox	tuple	邊界外接框(min_row, min_col, max_row, max_col)
centroid	array	質心座標
convex_area	int	凸包內像素點總數
convex_image	ndarray	和邊界外接框同大小的凸包
coords	ndarray	區域內像素點座標
Eccentricity	float	離心率
equivalent_diameter	float	和區域面積相同的圓的直徑
euler_number	int	區域歐拉數
extent	float	區域面積和邊界外接框面積的比率
filled_area	int	區域和外接框之間填充的像素點總數
perimeter	float	區域周長
label	int	區域標記

 

三、刪除小塊區域

有些時候，咱們只須要一些大塊區域，那些零散的、小塊的區域，咱們就須要刪除掉，則可使用morphology子模塊的remove_small_objects（)函數。

函數格式：skimage.morphology.remove_small_objects(ar, min_size=64, connectivity=1, in_place=False)

參數：

ar: 待操做的bool型數組。

min_size: 最小連通區域尺寸，小於該尺寸的都將被刪除。默認爲64.

connectivity: 鄰接模式，1表示4鄰接，2表示8鄰接

in_place: bool型值，若是爲True,表示直接在輸入圖像中刪除小塊區域，不然進行復制後再刪除。默認爲False.

返回刪除了小塊區域的二值圖像。

import numpy as np
import scipy.ndimage as ndi
from skimage import morphology
import matplotlib.pyplot as plt

#編寫一個函數來生成原始二值圖像
def microstructure(l=256):
    n = 5
    x, y = np.ogrid[0:l, 0:l]  #生成網絡
    mask = np.zeros((l, l))
    generator = np.random.RandomState(1)  #隨機數種子
    points = l * generator.rand(2, n**2)
    mask[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
    mask = ndi.gaussian_filter(mask, sigma=l/(4.*n)) #高斯濾波
    return mask > mask.mean()

data = microstructure(l=128) #生成測試圖片

dst=morphology.remove_small_objects(data,min_size=300,connectivity=1)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4))
ax1.imshow(data, plt.cm.gray, interpolation='nearest')
ax2.imshow(dst,plt.cm.gray,interpolation='nearest')

fig.tight_layout()
plt.show()

在此例中，咱們將面積小於300的小塊區域刪除（由1變爲0），結果以下圖：

 

 四、綜合示例：閾值分割+閉運算+連通區域標記+刪除小區塊+分色顯示

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

#加載並裁剪硬幣圖片
image = data.coins()[50:-50, 50:-50]

thresh =filter.threshold_otsu(image) #閾值分割
bw =morphology.closing(image > thresh, morphology.square(3)) #閉運算

cleared = bw.copy()  #複製
segmentation.clear_border(cleared)  #清除與邊界相連的目標物

label_image =measure.label(cleared)  #連通區域標記
borders = np.logical_xor(bw, cleared) #異或
label_image[borders] = -1
image_label_overlay =color.label2rgb(label_image, image=image) #不一樣標記用不一樣顏色顯示

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): #循環獲得每個連通區域屬性集
    
    #忽略小區域
    if region.area < 100:
        continue

    #繪製外包矩形
    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()