python数字图像处理（18）：高级形态学处理，数字图像处理python教材,形态学处理，除了最基

python数字图像处理（18）：高级形态学处理，数字图像处理python教材,形态学处理，除了最基

形态学处理，除了最基本的膨胀、腐蚀、开/闭运算、黑/白帽处理外，还有一些更高级的运用，如凸包，连通区域标记，删除小块区域等。

1、凸包

凸包是指一个凸多边形，这个凸多边形将图片中所有的白色像素点都包含在内。

函数为：

skimage.morphology.convex_hull_image(image)

输入为二值图像，输出一个逻辑二值图像。在凸包内的点为True, 否则为False

例：

import matplotlib.pyplot as pltfrom skimage import data,color,morphology#生成二值测试图像img=color.rgb2gray(data.horse())img=(img<0.5)*1chull = morphology.convex_hull_image(img)#绘制轮廓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()是将图片中的所有目标看作一个整体，因此计算出来只有一个最小凸多边形。如果图中有多个目标物体，每一个物体需要计算一个最小凸多边形，则需要使用convex_hull_object（）函数。

函数格式：skimage.morphology.convex_hull_object(image,neighbors=8)

输入参数image是一个二值图像，neighbors表示是采用4连通还是8连通，默认为8连通。

例：

import matplotlib.pyplot as pltfrom skimage import data,color,morphology,feature#生成二值测试图像img=color.rgb2gray(data.coins())#检测canny边缘,得到二值图片edgs=feature.canny(img, sigma=3, low_threshold=10, high_threshold=50) chull = morphology.convex_hull_object(edgs)#绘制轮廓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()

2、连通区域标记

在二值图像中，如果两个像素点相邻且值相同（同为0或同为1），那么就认为这两个像素点在一个相互连通的区域内。而同一个连通区域的所有像素点，都用同一个数值来进行标记，这个过程就叫连通区域标记。在判断两个像素是否相邻时，我们通常采用4连通或8连通判断。在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有2种：4邻接与8邻接。4邻接一共4个点，即上下左右，如下左图所示。8邻接的点一共有8个，包括了对角线位置的点，如下右图所示。

在skimage包中，我们采用measure子模块下的label（）函数来实现连通区域标记。

函数格式：

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

参数中的image表示需要处理的二值图像，connectivity表示连接的模式，1代表4邻接，2代表8邻接。

输出一个标记数组（labels), 从0开始标记。

import numpy as npimport scipy.ndimage as ndifrom skimage import measure,colorimport matplotlib.pyplot as plt#编写一个函数来生成原始二值图像def microstructure(l=256):    n = 5    x, y = np.ogrid[0:l, 0:l]  #生成网络    mask = np.zeros((l, l))    generator = np.random.RandomState(1)  #随机数种子    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)) #高斯滤波    return mask > mask.mean()data = microstructure(l=128)*1 #生成测试图片labels=measure.label(data,connectivity=2)  #8连通区域标记dst=color.label2rgb(labels)  #根据不同的标记显示不同的颜色print(‘regions number:‘,labels.max()+1)  #显示连通区域块数(从0开始标记)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()

在代码中，有些地方乘以1，则可以将bool数组快速地转换为int数组。

结果如图：有10个连通的区域，标记为0-9

3、删除小块区域

有些时候，我们只需要一些大块区域，那些零散的、小块的区域，我们就需要删除掉，则可以使用morphology子模块的remove_small_objects（)函数。

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

参数：

ar: 待操作的bool型数组。

min_size: 最小连通区域尺寸，小于该尺寸的都将被删除。默认为64.

connectivity: 邻接模式，1表示4邻接，2表示8邻接

in_place: bool型值，如果为True,表示直接在输入图像中删除小块区域，否则进行复制后再删除。默认为False.

返回删除了小块区域的二值图像。

import numpy as npimport scipy.ndimage as ndifrom skimage import morphologyimport matplotlib.pyplot as plt#编写一个函数来生成原始二值图像def microstructure(l=256):    n = 5    x, y = np.ogrid[0:l, 0:l]  #生成网络    mask = np.zeros((l, l))    generator = np.random.RandomState(1)  #随机数种子    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)) #高斯滤波    return mask > mask.mean()data = microstructure(l=128) #生成测试图片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，我们将面积小于300的小块区域删除（由1变为0），结果如下图：

python数字图像处理（18）：高级形态学处理