最基礎的形態學操作有四個，分別是腐蝕、膨脹、開計算和閉計算，`scipy.ndimage分別實現了二值數組和灰度數組的這四種運算
| 二值 | 灰階 | |
|---|---|---|
| #binary_erosion | grey_erosion | 腐蝕 |
| binary_dilation | ||
| ##binary_closing | ||
| 閉(先膨脹後腐蝕) | binary_opening |
二值形態學
所謂腐蝕，用數學符號表示為
##其中B
ij表示當B BB的原點在(i,j)處時，B中所有為1的值的集合。
這個式子的意思是，用結構B腐蝕A，當B的原點平移到圖像A的像元(i,j)時，若B完全被二者的重疊區域所包圍，則賦值為1，否則賦值為0。當B中某個元素為1時，若A中對應位置也是1，則(i,j)處的值為1，這是較直觀的例子。 
換言之，只要B和A的重疊區域不是空集，那麼(i,j)點就置為1。
舉例如下
import numpy as np
import matplotlib.pyplot as plt
import scipy.ndimage as sn
x = np.zeros([20,20])
x[5:15, 5:15] = 1
x_ero = sn.binary_erosion(x)
x_dil = sn.binary_dilation(x)
fig = plt.figure()
ax = fig.add_subplot(1,3,1)
ax.imshow(x)
plt.title("original")
ax = fig.add_subplot(1,3,2)
ax.imshow(x_ero)
plt.title("erosion")
ax = fig.add_subplot(1,3,3)
ax.imshow(x_dil)
plt.title("dilation")
plt.show()#開運算是先腐蝕後膨脹；閉運算是先膨脹後腐蝕，範例如下
x = np.zeros([20,20])
x[5:15, 5:15] = 1
x[10:12,10:12] = 0
x[2:4, 2:4] = 1
x_open = sn.binary_opening(x)
x_close = sn.binary_closing(x)
fig = plt.figure()
ax = fig.add_subplot(1,3,1)
ax.imshow(x)
plt.title("original")
ax = fig.add_subplot(1,3,2)
ax.imshow(x_open)
plt.title("opening")
ax = fig.add_subplot(1,3,3)
ax.imshow(x_close)
plt.title("closing")
plt.show()灰階形態學
灰階影像的腐蝕、膨脹以及開閉運算，是其二值形勢下的一個擴展，採用了類似卷積的邏輯，下面直接從scipy中調取樓梯圖片，並依序做腐蝕、膨脹以及開閉操作。
from scipy.misc import ascent
img = ascent()
funcs = {
"original": lambda x, tmp:x,
"erosion" : sn.grey_erosion,
"dilation" : sn.grey_dilation,
"opening" : sn.grey_opening,
"closing" : sn.grey_closing
}
fig = plt.figure()
for i, key in enumerate(funcs):
ax = fig.add_subplot(2,3,i+1)
plt.imshow(funcs[key](img, (10,10)), cmap=plt.cm.gray)
plt.title(key)
plt.show()二值函數和灰階函數的參數並不相同，下面以closing運算為例，二值和灰階函數的所有參數，除了輸入input之外，二者共有的參數有
structure 為數組類型，表示建構元素，可以理解為是卷積模板
output 與輸入相同維度的數組，可以存下結果
orgin 過濾器設置，預設為0
##二值形態學濾波的其他參數如下binary_closing(input, iterations=1, mask=None, border_value=0, brute_force=False)
grey_closing(input, size=None, footprint=None, mode='reflect', cval=0.0)
以上是Python基本形態學濾波怎麼實現的詳細內容。更多資訊請關注PHP中文網其他相關文章！
