數字圖像處理：形態學HMT 目標檢測

先回顧一下膨脹腐蝕的定義

dilate 膨脹

膨脹過程:B首先做關於原點的映射B^，然後平移x。A被B的膨脹是被所有x平移後與A至少有一個非零公共元素。

erode 腐蝕

也就是說A被B的腐蝕的結果爲所有使B被x平移後包含於A的點x的集合。

注意：圖中中心點也有個點，其實由此可以推出HMT：
當把三角形看做A時把上圖A則爲$A^c$，上圖結構元B則是B1的補集B2，則上圖可以表示爲
，而

的結果中A的中心點保留，則兩個交集爲B在A中的匹配，記爲：

HMT

這幅圖更爲清楚：

讓每個圖形的原點位於它的重心。如果用一個小窗口W包含X，X關於W的本地背景是圖(b)中的集合差(W-X)。圖©爲集合A的補。圖(d)示出A被X腐蝕的結果。A被X的腐蝕在X中只有X的原點，這樣X才能完全包含於A。圖(e)表示集合A的補被本地背景集合(W-X)的腐蝕；外圍陰影區域也是腐蝕結果的一部分。

實現

#!/usr/bin/env python 
# -*- coding: utf-8 -*-
# @Time    : 2019/11/23 12:39
# @Author  : ZhigangJiang
# @File    : mian.py
# @Software: PyCharm
# @Description:hit and miss translate

import cv2
import matplotlib.pyplot as plt
import numpy as np


def plt_show_opcv(title, image):
    if image.shape.__len__() == 3:
        plt.imshow(image[:, :, ::-1])
    else:
        plt.imshow(image, cmap='gray')
    plt.title(title)
    plt.show()


def pme(titles, images, rc=None):
    row = None
    col = None
    if rc is None:
        length = titles.__len__()
        row = int(np.sqrt(length))
        col = int(length / row)
        if length - row - col > 0:
            row += 1
    else:
        row = rc[0]
        col = rc[1]

    for i in range(titles.__len__()):
        plt.subplot(row, col, i + 1), plt.imshow(images[i], 'gray')
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([i])
    plt.show()


def hmt(a, b):
    b1 = ~b
    b2 = b
    a1 = ~a
    a2 = a
    pme(["b1", "b2", "x1", "x2"],
        [b1, b2, a1, a2])
    x1_erode_b1 = cv2.erode(a1, b1)
    x2_erode_b2 = cv2.erode(a2, b2)
    plt_show_opcv("a1_erode_b1", x1_erode_b1)
    plt_show_opcv("a1_erode_b1_", cv2.dilate(x1_erode_b1, np.ones((10, 10), np.uint8)))
    plt_show_opcv("a2_erode_b2", x2_erode_b2)
    plt_show_opcv("a2_erode_b2_", cv2.dilate(x2_erode_b2, np.ones((10, 10), np.uint8)))
    r = cv2.bitwise_and(x1_erode_b1, x2_erode_b2)
    return r


image_X = cv2.imread("images/X.png", 0)
image_B = cv2.imread("images/B_triangle.png", 0)

ret1, image_X = cv2.threshold(image_X, 127, 255, cv2.THRESH_BINARY)
ret2, image_B = cv2.threshold(image_B, 127, 255, cv2.THRESH_BINARY)

plt_show_opcv("X", image_X)
plt_show_opcv("B", image_B)
re = hmt(image_X, image_B)

targets = []
for i in range(re.shape[0]):
    for j in range(re.shape[1]):
        if re[i][j]:
            targets.append((j, i))
            print(i, j)

for target in targets:
    image_X = cv2.drawMarker(image_X, target, 125, markerType=cv2.MARKER_CROSS, markerSize=20, thickness=3)
plt_show_opcv("re", image_X)

結果

三角形只擊中兩個，說明左下角的被影響到了，說明這種方法識別擊中的是與結構元完全相同的圖像

複雜圖形

中文

字母識別

單詞識別，左下角learning沒有被識別到，因爲在截圖產生了噪聲，雖然進行了閾值處理，但是還是有誤差。
所以，用這種識別單詞只是在理想情況下可行。