图像邻域操作

• 1 连通性
• • 1.1 邻接关系
  • 1.2 连通性
• 2 形态学操作
• • 2.1 腐蚀和膨胀
  • 2.2 开、闭运算

  像素与像素之间的关系：
  （1）四邻域
  （2）八邻域
  连接性：
  如果两个像素点之间拥有四邻域或者八邻域的关系，那么称为4连接（N₄P）、八连接(N₈P)
  Connected Component Labeling算法：
  根据要素之间的连接性进行标签操作。打标签是图像处理中经常会用到的操作，我们把拥有共同属性的点分到一个组里面，要么用同一颜色标注、要么用同一灰度值标记——label。Connected Component Labeling算法，按照像素点进行分组（根据像素之间的连接关系，并且相邻点必须灰度值接近），上述过程包含了对图像的多次遍历，在遍历过程中要寻找连接关系，并且比较灰度值大小。

1 连通性

1.1 邻接关系

  在图像中，最小的单位是像素，每个像素周围有8个临接相思树，常见的邻接关系有3种：4邻域、8邻域、D邻域。

1.2 连通性

  定义： 是描述区域和边界的重要概念，两个像素连通的两个必要条件是：1）两个像素位置是否相邻；2）两个像素的灰度值是否满足特定的相似性准则。
  连通分类：
  有4联通、8联通和m连通三种
  （1）4连通：对于具有值V的像素p和q，如果q在集合N4（p）中，则称这两个像素是四连通的。
  （2）8连通：对于具有值V的像素p和q，如果q在集合N8（p）中，则称这两个像素是8连通的。

  （3）m连通：对于具有值V的像素p和q，如果1）q在集合N4§中，或q在集合ND（p）中；2）且N4（p）与N4（q）的交集为空，则称两个像素是m连通的，既4连通和D连通的混合连通。

2 形态学操作

  定义： 形态学转换是基于图像形状的一些简单操作，它通常在二进制图像（二值图像，值为0或者1）上执行。
  腐蚀和膨胀是两个基本的形态学运算符。然后它的变体形式，如开运算，闭运算，礼帽黑帽等

2.1 腐蚀和膨胀

  腐蚀和膨胀是最基本的形态学操作，腐蚀和膨胀都是针对白色部分（高亮部分）而言的。
  （1）膨胀：
  是使图像中高亮部分扩张，效果图拥有比原图更大的高亮区域；是求局部最大值的操作.
  具体操作： 用一个结构元素扫描图像中的每个像素，用结构元素中的每个像素与其覆盖的像素做‘与’操作，如果都为0，则该像素为0，否则为1。

  作用： 将与物体接触的所有背景点合并到物体中，使目标增大，可填补目标中的孔洞
  API： cv2.dilate（img,kernel,iterations）
  参数：
    img：要处理的图像
    kernel：核结构
    iterations：膨胀的次数，默认是1

  （2）腐蚀：
  是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域；是求局部最小值的操作。
  具体操作： 用一个结构元素扫描图像中的每个像素，用结构元素中的每个像素与其覆盖的像素做‘与’操作，如果都为1，则该像素为1，否则为0。

  作用： 消除物体边界点，使目标缩小，可以消除小于结构元素的噪声点。
  API： cv2.erode（img,kernel,iterations）
  参数：
    img：要处理的图像
    kernel：核结构
    iterations：腐蚀的次数，默认是1

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img=cv2.imread('erode.png')

#2. 腐蚀和膨胀

# 2.1 创建核结构
kenel=np.ones((5,5),np.uint8)

# 2.2 腐蚀和膨胀
erode_img=cv2.erode(img,kenel,1)
dilate_img=cv2.dilate(img,kenel,1)

#3.显示图像
cv2.imshow('origin',img)
cv2.imshow('erode',erode_img)
cv2.imshow('dilate',dilate_img)
cv2.waitKey(0)

2.2 开、闭运算

  （1）开运算：
  定义： 先腐蚀后膨胀，其作用是：分离物体，消除小区域。
  特点： 消除噪点，去除小干扰，而不影响原来的图像

  （2）闭运算
  定义： 先膨胀后腐蚀，其作用是：消除闭合物体里面的孔洞
  特点： 可以填充闭合区域

  （3）API：
  cv2.morphologyEx（img,op，kernel）
  参数：
    img：要处理的图像
    op：处理方式，若进行开运算，则设为cv2.MORPH_OPEN；若进行闭运算，则设为cv2.MORPH_CLOSE
    kernel：核结构

import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img=cv2.imread('open_close.png')

#2. 开运算和闭运算

# 2.1 创建核结构
kenel=np.ones((10,10),np.uint8)

# 2.2 开运算和闭运算
open_img=cv2.morphologyEx(img,cv2.MORPH_OPEN,kenel)#开运算
close_img=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kenel)#闭运算

#3.显示图像
cv2.imshow('origin',img)
cv2.imshow('open',open_img)
cv2.imshow('close',close_img)
cv2.waitKey(0)