【youcans 的 OpenCV 例程200篇】134. 形态学重建之细胞计数

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。

4.4 形态学边界清除

从图像中提取目标是图像处理的基本任务，检测接触边界是常用的算法。

对于二值图像 $I (x, y)$ ，开发一种基于形态学重建的边界清除的算法：

使用原图像 $I$ 作为模板，构造一幅标记图像 F。

标记图像 F 的边框位置为 $I$ ，其它位置均为 0（白色），即：
$\begin{cases} I(x,y) &, (x,y)在边界上\\0 &, 其它\end{cases}$
计算形态学重建 $R^D_I(F)$ 提取接触边界的目标，由 $R^D_I(F)$ 即可得到一幅由图像 $I (x, y)$ 重建的，目标不接触边界的图像 X。

基于形态学重建的边界清除，首先构造标记图像 F。使用原图像 $I$ 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。

标记图像 F 的边界为 $I (x, y)$ ，属于接触边界的目标。除原图像中接触边界的目标之外，黑色从边界开始向内不断膨胀，直到充满图像。对收敛的标记图像求补，得到边界清除的重建结果。

例程 10.24：基于形态学重建的细胞计数

本例是基于形态学重建的细胞计数，需要清除边界上不完整的细胞，因此算法原理与边界清除是相同的。由于原图像是浅色背景，二值化处理后的背景为白色，因此用原图像的补集作为模板。
（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 $I$ ，其它位置均为 1；
（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）原图像（白色背景）与收敛的标记图像 F 或运算，得到边界清除的重建结果。

    # 10.24: 基于形态学重建的细胞计数
    imgGray = cv2.imread("../images/imgBloodCell.png", flags=0)  # flags=0 灰度图像
    ret, imgBin = cv2.threshold(imgGray, 205, 255, cv2.THRESH_BINARY)  # 二值化处理 (黑色0/白色1)
    imgMask = cv2.bitwise_not(imgBin)  # 二值图像的补集

    # 构造标记图像
    marker = np.zeros_like(imgBin, dtype=np.uint8)
    marker[0, :] = imgBin[0, :]
    marker[-1, :] = imgBin[-1, :]
    marker[:, 0] = imgBin[:, 0]
    marker[:, -1] = imgBin[:, -1]
    markerIni = marker.copy()  # 标记图像: 边框 f(x,y)=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, imgMask)  # 原图像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 = imgBin + marker  # 按位或，有 1 得 1
    imgRebuild = cv2.bitwise_or(imgBin, marker)  # 按位或，有 1 得 1
    
    # 显示
    plt.figure(figsize=(10, 6))
    plt.subplot(231), plt.imshow(imgGray, cmap='gray'), plt.title("origin image"), plt.axis("off")
    plt.subplot(232), plt.imshow(imgBin, cmap='gray'), plt.title("binary image"), plt.axis("off")
    plt.subplot(233), plt.imshow(imgMask, cmap='gray'), plt.title("mask image"), plt.axis("off")
    plt.subplot(234), plt.imshow(markerIni, cmap='gray'), plt.title("initial marker"), plt.axis("off")
    plt.subplot(235), plt.imshow(marker, cmap='gray'), plt.title("final marker"), plt.axis("off")
    plt.subplot(236), 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

（本节完）

youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/123527091)