0
点赞
收藏
分享

微信扫一扫

【youcans 的 OpenCV 例程200篇】132. 形态学重建之孔洞填充算法


【youcans 的 OpenCV 例程200篇】132. 形态学重建之孔洞填充算法

4. 形态学图像重建

形态学重建的核心是测地膨胀和测地腐蚀。

图像的形态学重建涉及两幅图像和一个结构元:图像 F 是标记,包含重建的起点;图像 G 是模板,用来约束重建;结构元 B 定义连通性,通常是全 1 的 3*3 陈列。

在二值图像中,测地腐蚀或测地膨胀是将腐蚀或膨胀结果与模板图像 G 进行交集运算(与)或并集运算(或),在灰度图像中的推广则是以求最大值、最小值来取代二值的与或操作。

简单地说,测地膨胀和测地腐蚀就是有条件的膨胀和腐蚀。膨胀或腐蚀结果与模板图像进行交集或并集运算,从而对膨胀或腐蚀操作施加了特定的约束。


### 4.3 形态学孔洞填充

对于二值图像 I ( x , y ) I(x,y) I(x,y),开发一种基于形态学重建的填充孔洞的算法:

使用原图像的补集 I c I^c Ic 作为模板,构造一幅标记图像 F。

标记图像 F 的边框位置为 1 − I 1-I 1I,其它位置均为 0(白色),即:
F ( x , y ) = { 1 − I ( x , y ) , ( x , y ) 在 边 界 上 0 , 其 它 F(x,y) = \begin{cases} 1 - I(x,y) &, (x,y)在边界上\\ 0 &, 其它 \end{cases} F(x,y)={1I(x,y)0,(x,y),
于是, H = [ R I c D ( F ) ] c H=[R^D_{I^c}(F)]^c H=[RIcD(F)]c 是一幅由图像 I ( x , y ) I(x,y) I(x,y)重建的,所有孔洞都被填充的二值图像。

基于形态学重建的孔洞填充,首先构造包含孔洞的二值图像 I ( x , y ) I(x,y) I(x,y) 及其补集 I c I^c Ic。使用补集 I c I^c Ic 作为与操作的掩模模板,可以保护迭代期间所有的前景像素不会被改变。

图像的背景为黑色(值为 1),孔洞被白色前景像素(值为 0)包围,即在孔洞周围建立了一道由 0 组成的围墙。标记图像 F 有一个元素为 1 的边界(除 I = 1 I=1 I=1的位置外),因此黑色从边界开始向内不断膨胀,但不能突破孔洞周围的围墙。最终将填满除孔洞周围之外的全部图像,对其求补后就可以得到孔洞填充的图像。



例程 10.22:基于形态学重建的孔洞填充算法

本例是基于重建开运算的提取带有孔洞字符的图像恢复。
(1)构造标记图像 F 作为膨胀重建的标记,标记图像的边框位置为 1 − I 1-I 1I,其它位置均为 0;
(2)使用十字形结构元( MORPH_CROSS),对标记图像 F 进行膨胀恢复;
(3)用原图像的补集作为模板来约束重建,与膨胀恢复图像进行逻辑与;
(4)重复图像 F 的重构运算,直到达到稳定收敛状态;
(5)对收敛的标记图像 F 求补,得到孔洞填充的重建结果。

    # 10.22:基于形态学重建的填充孔洞自动算法
    imgGray = cv2.imread("../images/Fig0931a.tif", flags=0)  # flags=0 灰度图像
    ret, imgBinInv = cv2.threshold(imgGray, 205, 255, cv2.THRESH_BINARY_INV)  # 二值化处理 (黑色0/白色1)
    imgBin = cv2.bitwise_not(imgBinInv)  # 二值图像的补集 (白色背景)

    # 构造标记图像:
    marker = np.zeros_like(imgBin, dtype=np.uint8)
    marker[0, :] = 255 - imgBin[0, :]
    marker[-1, :] = 255 - imgBin[-1, :]
    marker[:, 0] = 255 - imgBin[:, 0]
    marker[:, -1] = 255 - imgBin[:, -1]
    markerIni = marker.copy()  # 标记图像: 边框 f(x,y)=1-I(x,y),其它为 0

    # 形态学重建
    element = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))
    while True:
        marker_pre = marker  # 保存 F(n-1)
        dilation = cv2.dilate(marker, kernel=element)  # 膨胀重建
        marker = cv2.bitwise_and(dilation, imgBinInv)  # 原图像的补集作为模板用来约束重建,按位与,有 0 得 0
        if (marker_pre == marker).all():  # F(n)=F(n-1)?,判断是否达到稳定收敛状态
            break
    imgRebuild = cv2.bitwise_not(marker)  # 对收敛的 marker 求补得到孔洞填充的重建结果

    # 显示
    plt.figure(figsize=(9, 6))
    plt.subplot(221), plt.imshow(imgGray, cmap='gray'), plt.title("origin image"), plt.axis("off")
    plt.subplot(222), plt.imshow(imgBinInv, cmap='gray'), plt.title("inverted image"), plt.axis("off")
    plt.subplot(223), plt.imshow(marker, cmap='gray'), plt.title("final marker"), plt.axis("off")
    plt.subplot(224), plt.imshow(imgRebuild, cmap='gray'), plt.title("rebuild image"), plt.axis("off")
    plt.tight_layout()
    plt.show()

在这里插入图片描述

程序说明:

例程实现了孔洞填充的效果,但也有少数带有孔洞的字符并没有被识别和填充(注意观察最后两行)。这是由于印刷质量的原因,图像中部分字符存在微小的断裂,导致孔洞不连续,因此没有得到正确的识别和填充。
要解决这个问题,可以先用图像闭运算弥合断裂,以减少由于印刷导致字符存在的细小缝隙。


(本节完)


版权声明:

youcans@xupt 原创作品,转载必须标注原文链接:(https://blog.csdn.net/youcans/article/details/123526854)

Copyright 2022 youcans, XUPT
Crated:2022-3-18


举报

相关推荐

0 条评论