最基礎的形態學操作有四個,分別是腐蝕、膨脹、開計算和閉計算,`scipy.ndimage分別實現了二值數組和灰度數組的這四種運算
二值 | 灰階 | |
---|---|---|
#binary_erosion | grey_erosion | 腐蝕 |
binary_dilation | ||
##binary_closing | ||
閉(先膨脹後腐蝕) | binary_opening |
二值形態學
所謂腐蝕,用數學符號表示為
##其中B
ij表示當B BB的原點在(i,j)處時,B中所有為1的值的集合。
這個式子的意思是,用結構B腐蝕A,當B的原點平移到圖像A的像元(i,j)時,若B完全被二者的重疊區域所包圍,則賦值為1,否則賦值為0。當B中某個元素為1時,若A中對應位置也是1,則(i,j)處的值為1,這是較直觀的例子。
膨脹則與之相反,可表示為換言之,只要B和A的重疊區域不是空集,那麼(i,j)點就置為1。
舉例如下
import numpy as np import matplotlib.pyplot as plt import scipy.ndimage as sn x = np.zeros([20,20]) x[5:15, 5:15] = 1 x_ero = sn.binary_erosion(x) x_dil = sn.binary_dilation(x) fig = plt.figure() ax = fig.add_subplot(1,3,1) ax.imshow(x) plt.title("original") ax = fig.add_subplot(1,3,2) ax.imshow(x_ero) plt.title("erosion") ax = fig.add_subplot(1,3,3) ax.imshow(x_dil) plt.title("dilation") plt.show()
#開運算是先腐蝕後膨脹;閉運算是先膨脹後腐蝕,範例如下
x = np.zeros([20,20]) x[5:15, 5:15] = 1 x[10:12,10:12] = 0 x[2:4, 2:4] = 1 x_open = sn.binary_opening(x) x_close = sn.binary_closing(x) fig = plt.figure() ax = fig.add_subplot(1,3,1) ax.imshow(x) plt.title("original") ax = fig.add_subplot(1,3,2) ax.imshow(x_open) plt.title("opening") ax = fig.add_subplot(1,3,3) ax.imshow(x_close) plt.title("closing") plt.show()
灰階形態學
灰階影像的腐蝕、膨脹以及開閉運算,是其二值形勢下的一個擴展,採用了類似卷積的邏輯,下面直接從scipy中調取樓梯圖片,並依序做腐蝕、膨脹以及開閉操作。
from scipy.misc import ascent img = ascent() funcs = { "original": lambda x, tmp:x, "erosion" : sn.grey_erosion, "dilation" : sn.grey_dilation, "opening" : sn.grey_opening, "closing" : sn.grey_closing } fig = plt.figure() for i, key in enumerate(funcs): ax = fig.add_subplot(2,3,i+1) plt.imshow(funcs[key](img, (10,10)), cmap=plt.cm.gray) plt.title(key) plt.show()
二值函數和灰階函數的參數並不相同,下面以closing運算為例,二值和灰階函數的所有參數,除了輸入input之外,二者共有的參數有
structure 為數組類型,表示建構元素,可以理解為是卷積模板
output 與輸入相同維度的數組,可以存下結果
orgin 過濾器設置,預設為0
##二值形態學濾波的其他參數如下binary_closing(input, iterations=1, mask=None, border_value=0, brute_force=False)
grey_closing(input, size=None, footprint=None, mode='reflect', cval=0.0)
以上是Python基本形態學濾波怎麼實現的詳細內容。更多資訊請關注PHP中文網其他相關文章!