import matplotlib.pyplot as plt
from skimage import data,color,morphology
生成二值测试图像。
img=data.horse()
img=(img<0.5)*1
chull = morphology.convex_hull_image(img)
绘制轮廓。
fig, axes = plt.subplots(1,2,figsize=(8,8))
ax0, ax1= axes.ravel()
ax0.imshow(img,plt.cm.gray)
ax0.set_title('original image')
ax1.imshow(chull,plt.cm.gray)
ax1.set_title('convex_hull image')
Text(0.5, 1.0, 'convex_hull image')
convex_hull_image() 是将图片中的所有目标看作一个整体，因此计算出来只有一个最小凸多边形。
如果图中有多个目标物体，每一个物体需要计算一个最小凸多边形，则需要使用 convex_hull_object() 函数。
函数格式：
skimage.morphology.convex_hull_object(image, neighbors=8)输入参数 image 是一个二值图像，neighbors 表示是采用4连通还是8连通，默认为8连通。
例：
import matplotlib.pyplot as plt
from skimage import data,color,morphology,feature
生成二值测试图像。
img=data.coins()
检测canny边缘,得到二值图片。
edgs=feature.canny(img, sigma=3, low_threshold=10, high_threshold=50)
chull = morphology.convex_hull_object(edgs)
绘制轮廓。
fig, axes = plt.subplots(1,2,figsize=(8,8))
ax0, ax1= axes.ravel()
ax0.imshow(edgs,plt.cm.gray)
ax0.set_title('many objects')
ax1.imshow(chull,plt.cm.gray)
ax1.set_title('convex_hull image')
plt.show()
连通区域标记
在二值图像中，如果两个像素点相邻且值相同（同为0或同为1）， 那么就认为这两个像素点在一个相互连通的区域内。 而同一个连通区域的所有像素点，都用同一个数值来进行标记，这个过程就叫连通区域标记。 在判断两个像素是否相邻时，我们通常采用4连通或8连通判断。 在图像中，最小的单位是像素，每个像素周围有8个邻接像素， 常见的邻接关系有2种：4邻接与8邻接。4邻接一共4个点，即上下左右，如下左图所示。 8邻接的点一共有8个，包括了对角线位置的点，如下右图所示。
在 skimage 包中，我们采用 measure 子模块下的 label() 函数来实现连通区域标记。
函数格式：
skimage.measure.label（image,connectivity=None)参数中的 image 表示需要处理的二值图像，connectivity 表示连接的模式，1代表4邻接，2代表8邻接。
输出一个标记数组(labels), 从0开始标记。
import numpy as np
import scipy.ndimage as ndi
from skimage import measure,color
import matplotlib.pyplot as plt
from skimage.util import random_noise
编写一个函数来生成原始二值图像。
def microstructure(l=256):
n = 5
x, y = np.ogrid[0:l, 0:l] #生成网络
mask = np.zeros((l, l))
generator = np.random.RandomState(1) #随机数种子
points = l * generator.rand(2, n**2)
mask[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
mask = ndi.gaussian_filter(mask, sigma=l/(4.*n)) #高斯滤波
return mask > mask.mean()
生成测试图片。
# data = microstructure(l=128)*1
30% 白色像素。
data = np.random.random((128, 128)) > 0.7
8连通区域标记。
labels=measure.label(data,connectivity=2)
根据不同的标记显示不同的颜色。
dst=color.label2rgb(labels)
显示连通区域块数(从0开始标记)。
print('regions number:',labels.max()+1)
regions number: 828
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4))
ax1.imshow(data, plt.cm.gray, interpolation='nearest')
ax1.axis('off')
ax2.imshow(dst,interpolation='nearest')
ax2.axis('off')
fig.tight_layout()
plt.show()
在代码中，有些地方乘以1，则可以将 bool 数组快速地转换为 int 数组。
结果：有10个连通的区域，标记为0-9
如果想分别对每一个连通区域进行操作，比如计算面积、外接矩形、凸包面积等，
则需要调用 measure 子模块的 regionprops() 函数。该函数格式为：
skimage.measure.regionprops(label_image)返回所有连通区块的属性列表，常用的属性列表如下表：
| 属性名称 | 类型 | 描述 |
|---|---|---|
area |
int | 区域内像素点总数 |
bbox |
tuple | 边界外接框(min_row, min_col, max_row, max_col) |
centroid |
array | 质心坐标 |
convex_area |
int | 凸包内像素点总数 |
|convex_image| ndarray| 和边界外接框同大小的凸包 |
|coords |ndarray|区域内像素点坐标|
|Eccentricity | float| 离心率|
|equivalent_diameter | float| 和区域面积相同的圆的直径|
|euler_number| int | 区域欧拉数|
|extent | float |区域面积和边界外接框面积的比率|
|filled_area| int| 区域和外接框之间填充的像素点总数|
|perimeter | float| 区域周长|
|label |int |区域标记|
删除小块区域
有些时候，只需要一些大块区域，那些零散的、小块的区域，就需要删除掉，
则可以使用 morphology 子模块的 remove_small_objects() 函数。
函数格式：
skimage.morphology.remove_small_objects(ar, min_size=64, connectivity=1, in_place=False)参数：
- ar: 待操作的
bool型数组。 - min_size: 最小连通区域尺寸，小于该尺寸的都将被删除，默认为64。
- connectivity: 邻接模式，1表示4邻接，2表示8邻接
- in_place:
bool型值，如果为True， 表示直接在输入图像中删除小块区域，否则进行复制后再删除，默认为False。
返回删除了小块区域的二值图像。
import numpy as np
import scipy.ndimage as ndi
from skimage import morphology
import matplotlib.pyplot as plt
编写一个函数来生成原始二值图像。
def microstructure(l=256):
n = 5
x, y = np.ogrid[0:l, 0:l] #生成网络
mask = np.zeros((l, l))
generator = np.random.RandomState(1) #随机数种子
points = l * generator.rand(2, n**2)
mask[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1
mask = ndi.gaussian_filter(mask, sigma=l/(4.*n)) #高斯滤波
return mask > mask.mean()
生成测试图片。
#data = microstructure(l=128)
30% 白色像素。
data = np.random.random((128, 128)) > 0.7
dst=morphology.remove_small_objects(data,min_size=300,connectivity=1)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4))
ax1.imshow(data, plt.cm.gray, interpolation='nearest')
ax2.imshow(dst,plt.cm.gray,interpolation='nearest')
fig.tight_layout()
plt.show()
在此例中，我们将面积小于300的小块区域删除（由1变为0），结果如上图。
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
from skimage import data,filters,segmentation,measure,morphology,color
加载并裁剪硬币图片。
image = data.coins()[50:-50, 50:-50]
阈值分割。
thresh =filters.threshold_otsu(image)
闭运算。
bw =morphology.closing(image > thresh, morphology.square(3))
/tmp/ipykernel_2949/2325554095.py:1: FutureWarning: `square` is deprecated since version 0.25 and will be removed in version 0.27. Use `skimage.morphology.footprint_rectangle` instead. bw =morphology.closing(image > thresh, morphology.square(3))
复制。
cleared = bw.copy()
清除与边界相连的目标物。
segmentation.clear_border(cleared)
array([[False, False, False, ..., False, False, False],
[False, False, False, ..., False, False, False],
[False, False, False, ..., False, False, False],
...,
[False, False, False, ..., False, False, False],
[False, False, False, ..., False, False, False],
[False, False, False, ..., False, False, False]], shape=(203, 284))
连通区域标记。
label_image =measure.label(cleared)
异或：
borders = np.logical_xor(bw, cleared)
label_image[borders] = -1
不同标记用不同颜色显示。
image_label_overlay =color.label2rgb(label_image, image=image)
fig,(ax0,ax1)= plt.subplots(1,2, figsize=(8, 6))
ax0.imshow(cleared,plt.cm.gray)
ax1.imshow(image_label_overlay)
for region in measure.regionprops(label_image): #循环得到每一个连通区域属性集
#忽略小区域
if region.area < 100:
continue
#绘制外包矩形
minr, minc, maxr, maxc = region.bbox
rect = mpatches.Rectangle((minc, minr), maxc - minc, maxr - minr,
fill=False, edgecolor='red', linewidth=2)
ax1.add_patch(rect)
fig.tight_layout()
plt.show()
