In [ ]:
Pkg.add(["ImageBinarization", "Noise", "ImageDraw", "TestImages", "ImageMorphology"])
In [ ]:
Pkg.add("ImageBinarization")
In [ ]:
using Images, Noise, ImageMorphology
using ImageBinarization
using ImageDraw
using TestImages
加载图像并进行阈值处理。
In [ ]:
img_src = testimage("morphology_test_512")
Out[0]:
In [ ]:
img_input = binarize(Gray.(img_src), UnimodalRosin()) .> 0.5
Out[0]:
我们将在后续工作中使用该图像，并将其指定为灰色阴影格式，因为下面的操作将应用于灰色格式的图像。
In [ ]:
Gray.(img_input)
Out[0]:
选择边框¶
凸壳函数输出图像最外部的类似覆盖范围的边界，并以数组 CartesianIndex 的形式返回边界对象的顶点。
In [ ]:
cordinates = convexhull(img_input)
img_convex = RGB.(copy(img_input))
push!(cordinates, cordinates[1])
draw!(img_convex, Path(cordinates), RGB(1))
img_convex
Out[0]:
图像填充¶
图像填充操作可以找到相关的图像成分，并使用它们生成图像。执行填充函数后，该图像将位于指定区间的范围内。
In [ ]:
img_noise = salt_pepper(img_input, 0.5)
fill_image_1 = imfill(img_noise, (0.1, 1))
fill_image_2 = imfill(img_noise, (0.1, 10)) # this configuration gets us best results
fill_image_3 = imfill(img_noise, (1, 10))
fill_image_4 = imfill(img_noise, (5, 20)) # objects of smaller sizes gets left out
Gray.([img_noise fill_image_1 fill_image_2 fill_image_3 fill_image_4])
Out[0]:
图像减薄¶
薄化操作采用围棋算法，决定留下哪些像素。
In [ ]:
img_thinning = thinning(img_input, algo = GuoAlgo());
Gray.([img_input img_thinning])
Out[0]:
边界清理¶
您可以使用 Clearborder 方法清除与图像边框相关的对象。
In [ ]:
cleared_img_1 = clearborder(img_input, 20); # 20 is the width of border that's examined
cleared_img_2 = clearborder(img_input, 30); # notice how it remove the inner circle even if it's outside its range
cleared_img_3 = clearborder(img_input, 30, 1);
移除的默认颜色是 0，即移除 RGB(0)，但现在因为是 1，所以会清除整个图像，这是因为采用了填充算法。
In [ ]:
Gray.([img_input cleared_img_1 cleared_img_2 cleared_img_3])
Out[0]:
结论¶
在本示例中，我们分解了一些可用于图像的有用形态学操作。