机器视觉实验八医学处理
一、实验目的
（1）能利用python编写程序实现相关图片处理功能；
（2）深入了解机器视觉相关应用领域。
二、题目描述
（1）读取图像并展示；
（2）用Niblack方法对灰度图进行局部动态阈值分割并进行展示；
（3）对图像进行反色；
（4）对图像进行扩展；
（5）选择满足面积要求的目标输出（针对黑色背景白色目标的二值图）；
（6）输出最大连通图；
（7）对最大连通图进行细化；
（8）提取最大连通图的轮廓；
（9）对轮廓图像进行反色输出最终效果图。
三、实现过程及运行效果
实验图片如下：
图3.1原图像
实验步骤：
（1）读取图像并展示；
（2）用Niblack方法对灰度图进行局部动态阈值分割并进行展示；
代码实例：
import cv2
import numpy as np
# 读取图像
img1=cv2.imread('vas0.bmp')
cv2.imshow('img1',img1)
cv2.waitKey(0)
#局部阈值
gray = cv2.cvtColor(img1, cv2.COLOR_RGB2GRAY) #把输入图像灰度化
#自适应阈值化能够根据图像不同区域亮度分布，改变阈值
binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 35,3)
cv2.namedWindow("binary1", cv2.WINDOW_NORMAL)
cv2.imshow("binary1", binary)
cv2.waitKey(0)
运行效果：
3.2.1读取原图
（3）对图像进行反色；
代码实例：
#反色
img2 = binary.copy()
cv2.threshold(binary,80,255,0,binary)
for i in range(0,binary.shape[0]):
for j in range(0,binary.shape[1]):
img2[i,j] = 255-binary[i,j]
cv2.imshow("img2", img2)
cv2.waitKey(0)
运行效果：
图3.3.1反色图
（4）对图像进行扩展；
代码实例：
#图像扩展
img3 = cv2.copyMakeBorder(img2,1,1,1,1,cv2.BORDER_REPLICATE)
cv2.imshow("img3 ", img3 )
cv2.waitKey(0)
运行效果：
图3.4.1扩展图
（5）选择满足面积要求的目标输出（针对黑色背景白色目标的二值图）；
代码实例：
#选择满足面积要求的目标输出（针对黑色背景白色目标的二值图）
# 查找轮廓
contours,hierarchy = cv2.findContours(img3, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
#消除小面积
for i in range(len(contours)):
area = cv2.contourArea(contours[i])
if area < 150:
cv2.drawContours(img3,[contours[i]],0,0,-1)
cv2.imshow("img3 ",img3 )
cv2.waitKey(0)
图3.5.1消除小面积图
（6）输出最大连通图；
代码实例：
#面积滤波，用连通区域的面积除以连通区域包络盒的面积，仅保留当这个比值小于用户所给的div的值时的连通区域
img4=img3.copy()
contours1,hierarchy = cv2.findContours(img4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for j in range(len(contours1)):
area1 = cv2.contourArea(contours1[j])
print(area1)
if area1 ==157.0:
cv2.drawContours(img4,[contours1[j]],0,0,-1)
elif area1==261.5:
cv2.drawContours(img4,[contours1[j]],0,0,-1)
elif area1==568.0:
cv2.drawContours(img4,[contours1[j]],0,0,-1)
cv2.imshow('img4',img4)
cv2.waitKey(0)
运行效果：
图3.6.1最大连通图
（7）对最大连通图进行细化；
代码实例：
#对图像进行反色
img5 = img4.copy()
ret,img5 = cv2.threshold(img4,80,255,cv2.THRESH_BINARY)
img6 = cv2.bitwise_not(img4)
def VThin(image, array):
h,w= image.shape[:2]
NEXT = 1
for i in range(h):
for j in range(w):
if NEXT == 0:
NEXT = 1
else:
M = image[i, j-1] + image[i,j] + image[i, j+1] if 0<j<w-1 else 1
if image[i, j] == 0 and M != 0:
a = [0] * 9
for k in range(3):
for l in range(3):
if-1<(i-1+k)<h and -1<(j-1+l)<w and image[i-1+k, j-1+l] == 255:
a[k*3 + l] = 1
sum = a[0]*1 + a[1]*2 + a[2]*4 + a[3]*8 + a[5]*16 + a[6]*32 + a[7]*64 + a[8]*128
image[i,j] = array[sum]*255
if array[sum] == 1:
NEXT = 0
return image
def HThin(image, array):
h, w = image.shape[:2]
NEXT = 1
for j in range(w):
for i in range(h):
if NEXT == 0:
NEXT = 1
else:
M = image[i-1, j] + image[i, j] + image[i+1, j] if 0<i<h-1 else 1
if image[i, j] == 0 and M != 0:
a = [0] * 9
for k in range(3):
for l in range(3):
if -1<(i-1+k)<h and -1<(j-1+l)<w and image[i-1+k, j-1+l] == 255:
a[k*3 + l] = 1
sum = a[0]*1 + a[1]*2 + a[2]*4 + a[3]*8 + a[5]*16 + a[6]*32 + a[7]*64 + a[8]*128
image[i, j] = array[sum] * 255
if array[sum] == 1:
NEXT = 0
return image
def Xihua(binary, array, num=10):
iXihua = binary.copy()
for i in range(num):
VThin(iXihua, array)
HThin(iXihua, array)
return iXihua
array = [0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,
1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,
0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,
1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,
1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 1,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,
1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,
0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,
1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0,
1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0,
1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0,
1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0]
iThin = Xihua(img6, array)
cv2.imshow('iThin', iThin)
cv2.waitKey(0)
运行效果：
图3.7.1细化图
（8）提取最大连通图的轮廓；
代码实例：
#对图像进行边界提取
# 查找轮廓
#提取边缘
img7 = cv2.Canny(img4,80,255)
cv2.imshow('img7', img7)
cv2.waitKey(0)
运行效果：
图3.8.1轮廓提取
（9）对轮廓图像进行反色输出最终效果图。
代码实例：
#反色
img8 = img7.copy()
for i in range(0,img7.shape[0]):
for j in range(0,img7.shape[1]):
img8[i,j] = 255-img7[i,j]
cv2.imshow("img8",img8)
cv2.waitKey(0)
运行效果：
图3.9.1最终效果图
四、问题及解决方法
（1）有出现无法对规定轮廓进行输出，最后通过检索找到了cv2.drawContours（）函数可进行轮廓的消除操作，最终完成将小面积轮廓进行去除的操作；
（2）对最大连通图的提取，最开始因为发现了计算轮廓面积的cv2.contourArea()函数，我获得了几个大轮廓的面积，实行了将最大轮廓输出的操作，可是发现有规定的一小块形状没有连通输出不了，然后自己实在没法了对面积进行了筛选输出最后成功获取。
五、实验总结
本次实验真的有点难到，好几次都想放弃了，可是细想之后还是没放弃，虽然不是通过老师的函数操作的，也是付出了很多心血对它进行了完成，最终的成果上，对图像细化的那一块尚存在瑕疵，不过实在是没法了，那些个数学计算方法搞得人头大。
参考：
https://blog.csdn.net/wsp_1138886114/article/details/101050825?utm_source=app
https://blog.csdn.net/xuyangcao123/article/details/81023732
https://blog.csdn.net/xiaoxifei/article/details/82854068