引言
膨脹與腐蝕是圖像處理中兩種最基本的形態學操作，膨脹將目標點融合到背景中，向外部擴展，腐蝕與膨脹意義相反，消除連通的邊界，使邊界向內收縮。在本文中我們將了解使用內核的圖像膨脹與腐蝕的基本原理。
讓我們開始吧，同樣我們需要導入必需的庫。
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
首先讓我們創建一個容易操作的形狀--一個簡單的圓。
circ_image = np.zeros((100, 100))
circ_image[circle(50, 50, 25)] = 1
imshow(circ_image);
現在讓我們定義一個內核。
cross = np.array([[0,1,0],
[1,1,1],
[0,1,0]])
imshow(cross, cmap = 'gray');
將腐蝕函數應用到創建的圓上。
eroded_circle = erosion(circ_image, cross)
imshow(eroded_circle);
圖像看起來幾乎一模一樣。要看到那些微小的差異，我們必須仔細查看圖像。
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()
我們可以看到，被腐蝕的圓已經略微縮小了。這就是腐蝕一個對象的意義。如果我們對腐蝕函數進行迭代，它的效果會變得非常明顯。
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()
上圖清楚地顯示了圖像是如何被腐蝕的。現在讓我們嘗試改變內核，如果我們使用水平線和垂直線內核代替交叉內核會怎樣呢？
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()
正如我們所看到的，水平和垂直的腐蝕以不同的方式影響著圖像。使用水平內核我們得到一個垂直方向細長的圓；而使用垂直內核我們得到一個水平方向細長的圓。
你可能會奇怪，為什么使用垂直內核，會得到一個水平方向細長的圓呢？
因為腐蝕函數是分別尋找垂直和水平的線條，并慢慢把它們削掉。膨脹函數將會讓我們更清晰的理解這一點。
使用下面的函數設置處理的圖像、膨脹內核以及迭代次數。
def multi_dilation(image, kernel, iterations):
for i in range(iterations):
image = dilation(image, kernel)
return image
讓我們看一下處理后的圖像有什么不同。
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()
可以清楚地看到圓現在已經越過了紅線，這清楚地表明它已經擴大了。現在讓我們對水平和垂直擴張進行迭代。
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()
現在可以非常清楚地看到，水平擴張增加了圖像寬度，而垂直擴張增加了圖像高度。
現在我們已經了解了膨脹與腐蝕的基本原理，下面來看一個相對復雜的圖像。
complex_image = imread('complex_image.png')
imshow(complex_image);
在上面的圖像中，我們看到了水平線、垂直線和圓的混合物。我們可以使用膨脹和腐蝕函數孤立地觀察每一種形狀。
為了得到圓，我們可以先腐蝕垂直的線，再腐蝕水平的線。但要記住最后要對圖像進行膨脹，因為腐蝕函數同樣腐蝕了圓。
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()
同樣，下面的代碼將得到水平的線。
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()
為了得到垂直的線，我們可以創建一個新的內核。
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，內核并不局限于本文中提到的這幾種，可以根據不同的需求自己定義合適的內核。
總結
內核腐蝕和膨脹是圖像處理領域需要理解的基本概念。它們甚至可能是任何圖像處理模塊的第一課。直觀地理解它們將是你以后在這個領域成功的關鍵。
到此這篇關于Python圖像處理之膨脹與腐蝕的操作的文章就介紹到這了,更多相關Python圖像膨脹與腐蝕內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 2021年最新用于圖像處理的Python庫總結
- python圖像處理基本操作總結（PIL庫、Matplotlib及Numpy）
- Python圖像處理之圖像拼接
- python數字圖像處理之估計噪聲參數
- python opencv圖像處理(素描、懷舊、光照、流年、濾鏡 原理及實現)
- 基于python的opencv圖像處理實現對斑馬線的檢測示例
- Python圖像處理之圖片拼接和堆疊案例教程
