python数字图像处理（13）：基本形态学滤波

声明：本文转自http://blog.csdn.NET/haoji007/article/category/6337049，但其也为转载，原作者不明，感谢原作者的付出和分享。

对图像进行形态学变换。变换对象一般为灰度图或二值图，功能函数放在morphology子模块内。

1、膨胀（dilation)

原理：一般对二值图像进行操作。找到像素值为1的点，将它的邻近像素点都设置成这个值。1值表示白，0值表示黑，因此膨胀操作可以扩大白色值范围，压缩黑色值范围。一般用来扩充边缘或填充小的孔洞。

功能函数：skimage.morphology.dilation(image, selem=None）

selem表示结构元素，用于设定局部区域的形状和大小。

from skimage import dataimport skimage.morphology as smimport matplotlib.pyplot as pltimg=data.checkerboard()dst1=sm.dilation(img,sm.square(5))  #用边长为5的正方形滤波器进行膨胀滤波dst2=sm.dilation(img,sm.square(15))  #用边长为15的正方形滤波器进行膨胀滤波plt.figure('morphology',figsize=(8,8))plt.subplot(131)plt.title('origin image')plt.imshow(img,plt.cm.gray)plt.subplot(132)plt.title('morphological image')plt.imshow(dst1,plt.cm.gray)plt.subplot(133)plt.title('morphological image')plt.imshow(dst2,plt.cm.gray)

分别用边长为5或15的正方形滤波器对棋盘图片进行膨胀操作，结果如下：

可见滤波器的大小，对操作结果的影响非常大。一般设置为奇数。

除了正方形的滤波器外，滤波器的形状还有一些，现列举如下：

morphology.square: 正方形

morphology.disk:  平面圆形

morphology.ball: 球形

morphology.cube: 立方体形

morphology.diamond: 钻石形

morphology.rectangle: 矩形

morphology.star: 星形

morphology.octagon: 八角形

morphology.octahedron： 八面体

注意，如果处理图像为二值图像（只有0和1两个值），则可以调用：

skimage.morphology.binary_dilation(image, selem=None）

用此函数比处理灰度图像要快。

2、腐蚀（erosion)

函数：skimage.morphology.erosion(image, selem=None）

selem表示结构元素，用于设定局部区域的形状和大小。

和膨胀相反的操作，将0值扩充到邻近像素。扩大黑色部分，减小白色部分。可用来提取骨干信息，去掉毛刺，去掉孤立的像素。

from skimage import dataimport skimage.morphology as smimport matplotlib.pyplot as pltimg=data.checkerboard()dst1=sm.erosion(img,sm.square(5))  #用边长为5的正方形滤波器进行膨胀滤波dst2=sm.erosion(img,sm.square(25))  #用边长为25的正方形滤波器进行膨胀滤波plt.figure('morphology',figsize=(8,8))plt.subplot(131)plt.title('origin image')plt.imshow(img,plt.cm.gray)plt.subplot(132)plt.title('morphological image')plt.imshow(dst1,plt.cm.gray)plt.subplot(133)plt.title('morphological image')plt.imshow(dst2,plt.cm.gray)

注意，如果处理图像为二值图像（只有0和1两个值），则可以调用：

skimage.morphology.binary_erosion(image, selem=None）

用此函数比处理灰度图像要快。

3、开运算（opening)

函数：skimage.morphology.openning(image, selem=None）

selem表示结构元素，用于设定局部区域的形状和大小。

先腐蚀再膨胀，可以消除小物体或小斑块。

from skimage import io,colorimport skimage.morphology as smimport matplotlib.pyplot as pltimg=color.rgb2gray(io.imread('d:/pic/mor.png'))dst=sm.opening(img,sm.disk(9))  #用边长为9的圆形滤波器进行膨胀滤波plt.figure('morphology',figsize=(8,8))plt.subplot(121)plt.title('origin image')plt.imshow(img,plt.cm.gray)plt.axis('off')plt.subplot(122)plt.title('morphological image')plt.imshow(dst,plt.cm.gray)plt.axis('off')

注意，如果处理图像为二值图像（只有0和1两个值），则可以调用：

skimage.morphology.binary_opening(image, selem=None）

用此函数比处理灰度图像要快。

4、闭运算（closing)

函数：skimage.morphology.closing(image, selem=None）

selem表示结构元素，用于设定局部区域的形状和大小。

先膨胀再腐蚀，可用来填充孔洞。

from skimage import io,colorimport skimage.morphology as smimport matplotlib.pyplot as pltimg=color.rgb2gray(io.imread('d:/pic/mor.png'))dst=sm.closing(img,sm.disk(9))  #用边长为5的圆形滤波器进行膨胀滤波plt.figure('morphology',figsize=(8,8))plt.subplot(121)plt.title('origin image')plt.imshow(img,plt.cm.gray)plt.axis('off')plt.subplot(122)plt.title('morphological image')plt.imshow(dst,plt.cm.gray)plt.axis('off')

注意，如果处理图像为二值图像（只有0和1两个值），则可以调用：

skimage.morphology.binary_closing(image, selem=None）

用此函数比处理灰度图像要快。

5、白帽（white-tophat)

函数：skimage.morphology.white_tophat(image, selem=None）

selem表示结构元素，用于设定局部区域的形状和大小。

将原图像减去它的开运算值，返回比结构化元素小的白点

from skimage import io,colorimport skimage.morphology as smimport matplotlib.pyplot as pltimg=color.rgb2gray(io.imread('d:/pic/mor.png'))dst=sm.white_tophat(img,sm.square(21))  plt.figure('morphology',figsize=(8,8))plt.subplot(121)plt.title('origin image')plt.imshow(img,plt.cm.gray)plt.axis('off')plt.subplot(122)plt.title('morphological image')plt.imshow(dst,plt.cm.gray)plt.axis('off')

6、黑帽（black-tophat)

函数：skimage.morphology.black_tophat(image, selem=None）

selem表示结构元素，用于设定局部区域的形状和大小。

将原图像减去它的闭运算值，返回比结构化元素小的黑点，且将这些黑点反色。

from skimage import io,colorimport skimage.morphology as smimport matplotlib.pyplot as pltimg=color.rgb2gray(io.imread('d:/pic/mor.png'))dst=sm.black_tophat(img,sm.square(21))  plt.figure('morphology',figsize=(8,8))plt.subplot(121)plt.title('origin image')plt.imshow(img,plt.cm.gray)plt.axis('off')plt.subplot(122)plt.title('morphological image')plt.imshow(dst,plt.cm.gray)plt.axis('off')