欢迎关注 “小白玩转Python”，发现更多 “有趣”
引言
膨胀与腐蚀是图像处理中两种最基本的形态学操作，膨胀将目标点融合到背景中，向外部扩展，腐蚀与膨胀意义相反，消除连通的边界，使边界向内收缩。在本文中我们将了解使用内核的图像膨胀与腐蚀的基本原理。
让我们开始吧，同样我们需要导入必需的库。
-
import numpy
as np
-
import matplotlib.pyplot
as plt
-
from skimage.io
import imread, imshow
-
from skimage.draw
import circle
-
from skimage.morphology
import erosion, dilation
首先让我们创建一个容易操作的形状--一个简单的圆。
-
circ_image = np.zeros((100, 100))
-
circ_image[circle(50, 50, 25)] = 1
-
imshow(circ_image);
现在让我们定义一个内核。
-
cross = np.array([[
0,
1,
0],
-
[
1,1,1],
-
[
0,1,0]])
-
imshow(cross, cmap =
'gray');
将腐蚀函数应用到创建的圆上。
-
eroded_circle = erosion(circ_image, cross)
-
imshow(eroded_circle);
图像看起来几乎一模一样。要看到那些微小的差异，我们必须仔细查看图像。
-
linecolor =
'red'
-
fig, ax = plt.subplots(
1,
2, figsize=(
12,
5))
-
ax[
0].imshow(circ_image, cmap =
'gray');
-
ax[
0].set_title(
'Original', fontsize =
19)
-
ax[
0].axvline(x =
25, color = linecolor)
-
ax[
0].axvline(x =
75, color = linecolor)
-
ax[
0].axhline(y =
25, color = linecolor)
-
ax[
0].axhline(y =
75, color = linecolor)
-
ax[
1].imshow(eroded_circle, cmap =
'gray');
-
ax[
1].set_title(
'Eroded', fontsize =
19)
-
ax[
1].axvline(x =
25, color = linecolor)
-
ax[
1].axvline(x =
75, color = linecolor)
-
ax[
1].axhline(y =
25, color = linecolor)
-
ax[
1].axhline(y =
75, color = linecolor)
-
fig.tight_layout()
我们可以看到，被腐蚀的圆已经略微缩小了。这就是腐蚀一个对象的意义。如果我们对腐蚀函数进行迭代，它的效果会变得非常明显。
-
def multi_erosion(image, kernel, iterations):
-
for i
in range(iterations):
-
image = erosion(image, kernel)
-
return image
-
ites = [
2,
4,
6,
8,
10,
12,
14,
16,
18,
20]
-
fig, ax = plt.subplots(
2,
5, figsize=(
17,
5))
-
for n, ax
in enumerate(ax.flatten()):
-
ax.set_title(
f'Iterations : {ites[n]}', fontsize =
16)
-
new_circle = multi_erosion(circ_image, cross, ites[n])
-
ax.imshow(new_circle, cmap =
'gray');
-
ax.axis(
'off')
-
fig.tight_layout()
上图清楚地显示了图像是如何被腐蚀的。现在让我们尝试改变内核，如果我们使用水平线和垂直线内核代替交叉内核会怎样呢？
-
h_line = np.array([[
0,
0,
0],
-
[
1,1,1],
-
[
0,0,0]])
-
v_line = np.array([[
0,
1,
0],
-
[
0,1,0],
-
[
0,1,0]])
-
fig, ax = plt.subplots(
1,
2, figsize=(
15,
5))
-
ax[
0].imshow(h_line, cmap=
'gray');
-
ax[
1].imshow(v_line, cmap=
'gray');
-
fig.tight_layout()
-
ites = [
2,
4,
6,
8,
10,
12,
14,
16,
18,
20]
-
fig, ax = plt.subplots(
2,
5, figsize=(
17,
5))
-
for n,
ax in enumerate(ax.flatten()):
-
ax.set_title(f'Horizontal Iterations : {ites[n]}', fontsize = 12)
-
new_circle = multi_erosion(circ_image, h_line, ites[n])
-
ax.imshow(new_circle, cmap =
'gray');
-
ax.axis(
'off')
-
fig.tight_layout()
-
fig, ax = plt.subplots(
2,
5, figsize=(
17,
5))
-
for n,
ax in enumerate(ax.flatten()):
-
ax.set_title(f'Vertical Iterationss : {ites[n]}', fontsize = 12)
-
new_circle = multi_erosion(circ_image, v_line, ites[n])
-
ax.imshow(new_circle, cmap =
'gray');
-
ax.axis(
'off')
-
fig.tight_layout()
正如我们所看到的，水平和垂直的腐蚀以不同的方式影响着图像。使用水平内核我们得到一个垂直方向细长的圆；而使用垂直内核我们得到一个水平方向细长的圆。
你可能会奇怪，为什么使用垂直内核，会得到一个水平方向细长的圆呢？
因为腐蚀函数是分别寻找垂直和水平的线条，并慢慢把它们削掉。膨胀函数将会让我们更清晰的理解这一点。
使用下面的函数设置处理的图像、膨胀内核以及迭代次数。
-
def multi_dilation(image, kernel, iterations):
-
for i
in range(iterations):
-
image = dilation(image, kernel)
-
return image
让我们看一下处理后的图像有什么不同。
-
dilated_circle = multi_dilation(circ_image, cross,
1)
-
linecolor =
'red'
-
fig, ax = plt.subplots(
1,
2, figsize=(
12,
5))
-
ax[
0].imshow(circ_image, cmap =
'gray');
-
ax[
0].set_title(
'Original', fontsize =
19)
-
ax[
0].axvline(x =
25, color = linecolor)
-
ax[
0].axvline(x =
75, color = linecolor)
-
ax[
0].axhline(y =
25, color = linecolor)
-
ax[
0].axhline(y =
75, color = linecolor)
-
ax[
1].imshow(dilated_circle, cmap =
'gray');
-
ax[
1].set_title(
'Dilated', fontsize =
19)
-
ax[
1].axvline(x =
25, color = linecolor)
-
ax[
1].axvline(x =
75, color = linecolor)
-
ax[
1].axhline(y =
25, color = linecolor)
-
ax[
1].axhline(y =
75, color = linecolor)
-
fig.tight_layout()
可以清楚地看到圆现在已经越过了红线，这清楚地表明它已经扩大了。现在让我们对水平和垂直扩张进行迭代。
-
ites = [
2,
4,
6,
8,
10,
12,
14,
16,
18,
20]
-
fig, ax = plt.subplots(
2,
5, figsize=(
17,
5))
-
for n,
ax in enumerate(ax.flatten()):
-
ax.set_title(f'Horizontal Iterations : {ites[n]}', fontsize =
-
12)
-
new_circle = multi_dilation(circ_image, h_line, ites[n])
-
ax.imshow(new_circle, cmap =
'gray');
-
ax.axis(
'off')
-
fig.tight_layout()
-
fig, ax = plt.subplots(
2,
5, figsize=(
17,
5))
-
for n,
ax in enumerate(ax.flatten()):
-
ax.set_title(f'Vertical Iterationss : {ites[n]}', fontsize = 12)
-
new_circle = multi_dilation(circ_image, v_line, ites[n])
-
ax.imshow(new_circle, cmap =
'gray');
-
ax.axis(
'off')
-
fig.tight_layout()
现在可以非常清楚地看到，水平扩张增加了图像宽度，而垂直扩张增加了图像高度。
现在我们已经了解了膨胀与腐蚀的基本原理，下面来看一个相对复杂的图像。
-
complex_image = imread('complex_image.png')
-
imshow(complex_image);
在上面的图像中，我们看到了水平线、垂直线和圆的混合物。我们可以使用膨胀和腐蚀函数孤立地观察每一种形状。
为了得到圆，我们可以先腐蚀垂直的线，再腐蚀水平的线。但要记住最后要对图像进行膨胀，因为腐蚀函数同样腐蚀了圆。
-
step_1 = multi_erosion(complex_image, h_line,3)
-
step_2 = multi_erosion(step_1, v_line,3)
-
step_3 = multi_dilation(step_2, h_line,3)
-
step_4 = multi_dilation(step_3, v_line,3)
-
steps = [step_1, step_2, step_3, step_4]
-
names = ['Step 1', 'Step 2', 'Step 3', 'Step 4']
-
fig, ax = plt.subplots(2, 2, figsize=(10, 10))
-
for n, ax in enumerate(ax.flatten()):
-
ax.set_title(f'{names[n]}', fontsize = 22)
-
ax.imshow(steps[n], cmap = 'gray');
-
ax.axis('off')
-
fig.tight_layout()
同样，下面的代码将得到水平的线。
-
step_1 = multi_erosion(complex_image, cross, 20)
-
step_2 = multi_dilation(step_1, h_line, 20)
-
step_3 = multi_dilation(step_2, v_line,2)
-
steps = [step_1, step_2, step_3]
-
names = ['Step 1', 'Step 2', 'Step 3']
-
fig, ax = plt.subplots(1, 3, figsize=(10, 10))
-
for n, ax in enumerate(ax.flatten()):
-
ax.set_title(f'{names[n]}', fontsize = 22)
-
ax.imshow(steps[n], cmap = 'gray');
-
ax.axis('off')
-
fig.tight_layout()
为了得到垂直的线，我们可以创建一个新的内核。
-
long_v_line = np.array([[
0,
1,
0],
-
[
0,1,0],
-
[
0,1,0],
-
[
0,1,0],
-
[
0,1,0]])
-
step_1 = multi_erosion(complex_image, long_v_line,
10)
-
step_2 = multi_dilation(step_1 ,long_v_line,
10)
-
steps = [step_1, step_2]
-
names = [
'Step 1',
'Step 2']
-
fig, ax = plt.subplots(
1,
2, figsize=(
10,
10))
-
for n,
ax in enumerate(ax.flatten()):
-
ax.set_title(f'{names[n]}', fontsize = 22)
-
ax.imshow(steps[n], cmap = 'gray');
-
ax.axis(
'off')
-
fig.tight_layout()
注意，内核并不局限于本文中提到的这几种，可以根据不同的需求自己定义合适的内核。
总结
内核腐蚀和膨胀是图像处理领域需要理解的基本概念。它们甚至可能是任何图像处理模块的第一课。直观地理解它们将是你以后在这个领域成功的关键。
· END ·
HAPPY LIFE
转载：https://blog.csdn.net/weixin_38739735/article/details/111940442
查看评论