【python学习笔记】28:scipy的ndimage模块中有关数学形态学

来源:互联网 发布:淘宝网刷收藏 编辑:程序博客网 时间:2024/06/16 02:26

scipy的ndimage模块也提供了有关数学形态学的方法。
下面的运算中,可以将黄色部分视为一种物体(不见得是连通的),紫色部分是背景。
*腐蚀运算
腐蚀是一种消除边界点,使边界向内部收缩的变换过程。可以用来消除小且无意义的信号。在这里也就是黄色部分那些散落在背景中的小块可以经由腐蚀运算消除。

>>> import numpy as np>>> from scipy import ndimage>>> import matplotlib.pyplot as plt>>> square=np.zeros((32,32)) #numpy的全0数组>>> square[10:20,10:20]=1 #数组切片并设值为1>>> x,y=(32*np.random.random((2,15))).astype(np.int) #随机位置>>> square[x,y]=1 #把随机位置设置为1>>> x,y=(32*np.random.random((2,15))).astype(np.int) #随机位置>>> square[x,y]=0 #把随机位置设置为0>>> plt.imshow(square) #原始随机图像<matplotlib.image.AxesImage object at 0x000000000464B4A8>>>> plt.title('original image')<matplotlib.text.Text object at 0x000000000693D710>>>> plt.show()

首先用numpy的zeros方法生成了32x32的全0数组,然后把其中10~20的小正方形切片变成1。然后用random生成了2行15列0~1之间的随机数,将它乘以32并变成整形,也就是2行15列的0~32的整数,分别把这两行赋给了x,y,这样一对一对的x,y子元素组就能表示15个随机取到的原数组中的位置了。这样两次取随机位置,一次全赋1,一次全赋0,得到了原始图像如下。
这里写图片描述

>>> erosion=ndimage.binary_erosion(square) #腐蚀运算>>> plt.imshow(erosion)<matplotlib.image.AxesImage object at 0x00000000071AE438>>>> plt.title('eroded image')<matplotlib.text.Text object at 0x0000000007188B00>>>> plt.show()

腐蚀运算将背景(数组中0处)周边接壤的部分都’腐蚀’成0,这样原来分布在0区域中的散点也就不见了,而且小方块中被0沾染的部分也会被腐蚀。
这里写图片描述

*膨胀运算
与腐蚀运算相对的是膨胀运算,膨胀可以将与主物体接触的背景点合并到该物体中,可以用来填补物体中的空洞。下面的操作还是在原始图像上做的。

>>> dilation=ndimage.binary_dilation(square) #膨胀运算>>> plt.imshow(dilation)<matplotlib.image.AxesImage object at 0x0000000007549A58>>>> plt.title('dilated image')<matplotlib.text.Text object at 0x00000000071F9CC0>>>> plt.show()

经过膨胀运算后,原来作为物体的黄色部分都向自己周围的背景扩张了1个像素,可以看到原来主体中的背景孔洞也被填补了。
这里写图片描述

*开运算
开运算也就是先腐蚀再膨胀的过程,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。

>>> opens=ndimage.binary_opening(square) #开运算>>> plt.imshow(opens)<matplotlib.image.AxesImage object at 0x0000000008A49C18>>>> plt.title('opened image')<matplotlib.text.Text object at 0x00000000076CAE80>>>> plt.show()

虽说是先腐蚀再膨胀,但在scipy的ndimage模块中提供了直接进行开运算的接口ndimage.binary_opening()。
这里写图片描述
在这张测试图上不能体现出’在纤细点出分离物体’,但是先腐蚀后膨胀的思考过程可以理解会出现这种状况。
注意,开运算后主体中的孔洞仍然会存在,这张图上也没能体现出来(随机数随机的不好)。

*闭运算
与开运算相反,闭运算是先膨胀再腐蚀的运算。闭运算可以用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。

>>> closes=ndimage.binary_closing(square) #闭运算>>> plt.imshow(closes)<matplotlib.image.AxesImage object at 0x0000000009BB6898>>>> plt.title('closed image')<matplotlib.text.Text object at 0x0000000009B96B00>>>> plt.show()

同样是有直接的接口的。
这里写图片描述
如果主体中有孔洞,将会被填补,而外部的散落点几乎不会有变化。

另外,还有ndimage.binary_fill_holes()可以填充孔洞,结果很类似于闭运算,但更准确。

原创粉丝点击