النور روزولت : هر بار که در برابر ترس می ایستید، قدرت، شهامت و اعتماد به نفس پیدا می کنید. باید کاری را انجام دهید که فکر می کنید نمی توان انجام داد.

✅اپراتورهای مورفولوژی تصاویر را براساس شکل خود پردازش می کنند. این اپراتورها یک یا چند عنصر ساختار را روی تصویر ورودی ، برای به دست آوردن تصویر خروجی اعمال می کنند. دو عملیات اصلی مورفولوژی عبارتند از فرسایش و انبساط. . ترکیبی از این دو عملیات مورفولوژی پیشرفته
مانند opening, closing, or #top-hat را ایجاد می کند.
تبدیل Hit-or-Miss برای یافتن الگوها در تصاویر باینری مفید است.
به طور خاص، آن پیکسلهایی پیدا می کند که همسایگی آن با شکل المان ساختار اولیه B1 مطابقت دارد، در حالی که همزمان با شکل المان ساختار B2 مطابقت ندارد.
➿➿➿➿➿➿➿➿➿➿➿
➰➰➰➰➰➰➰➰➰➰➰
🔴کاربرد🔴
هدف الگوریتم hit-and-miss این است که الگوهای خاصی را در یک تصویر باینری تشخیص دهیم، با استفاده از عنصر ساختاری حاوی 1، 0

به طور ریاضی، عملیات اعمال شده به یک تصویر A می تواند به این صورت بیان شود

✅بنابراین hit-or-miss شامل مراحل زیر است:
1) تصویرA توسط عنصر ساختار B1، ساییده میشود.
2) مکمل تصویرA توسط عنصر ساختار B2، ساییده میشود.
3) نتایج مرحله 1 و مرحله2 and .میشود
عناصر ساختاری B1 و B2 را می توان به یک عنصر B ترکیب کرد. مثال زیر را ببینید:

✅در این مورد، ما به دنبال الگوهایی هستیم که پیکسل مرکزی متعلق به پس زمینه باشد در حالی که پیکسل های شمال، جنوب، شرق و غرب متعلق به پیش زمینه یا شی باشد. بقیه پیکسل ها در همسایگی می تواند از هر نوع باشد، ما به آنها اهمیت نمی دهیم. حالا، اجازه دهید این هسته را به یک تصویر ورودی اعمال کنیم:

شما می توانید ببینید که الگو فقط در یک مکان در تصویر یافت می شود.

import cv2 as cv
import numpy as np
input_image = np.array((
[0, 0, 0, 0, 0, 0, 0, 0],
[0, 255, 255, 255, 0, 0, 0, 255],
[0, 255, 255, 255, 0, 0, 0, 0],
[0, 255, 255, 255, 0, 255, 0, 0],
[0, 0, 255, 0, 0, 0, 0, 0],
[0, 0, 255, 0, 0, 255, 255, 0],
[0,255, 0, 255, 0, 0, 255, 0],
[0, 255, 255, 255, 0, 0, 0, 0]), dtype="uint8")
kernel = np.array((
[0, 1, 0],
[1, -1, 1],
[0, 1, 0]), dtype="int")
output_image = cv.morphologyEx(input_image, cv.MORPH_HITMISS, kernel)
rate = 50
kernel = (kernel + 1) * 127
kernel = np.uint8(kernel)
kernel = cv.resize(kernel, None, fx = rate, fy = rate, interpolation = cv.INTER_NEAREST)
cv.imshow("kernel", kernel)
cv.moveWindow("kernel", 0, 0)
input_image = cv.resize(input_image, None, fx = rate, fy = rate, interpolation = cv.INTER_NEAREST)
cv.imshow("Original", input_image)
cv.moveWindow("Original", 0, 200)
output_image = cv.resize(output_image, None , fx = rate, fy = rate, interpolation = cv.INTER_NEAREST)
cv.imshow("Hit or Miss", output_image)
cv.moveWindow("Hit or Miss", 500, 200)
cv.waitKey(0)
cv.destroyAllWindows()
💢💢💢💢💢💢💢💢💢💢

با استفاده از se میخواهیم گوشه های شکل زیر را بیابیم
💢💢💢💢💢💢💢💢

💢💢ادامه
✅در این se ، پیکسل هایی که مقدار 1 را گرفته اند برای مشخص کردن شی و پیکسلهای 0 پس زمینه را مشخص میکنند.
〰〰〰〰〰
✅عنصر ساختار به عنوان یک #الگو که بر روی تصویر باینری میلغزدیا پیمایش میکند، (مشابه با یک هسته convolution ) استفاده می شود و پیکسل مربوط به مرکز #الگو به 1 اگر #الگو با تصویر مطابقت داشته باشد، در غیر این صورت، مقدار 0 میگیرد. به عنوان مثال، چهار عنصر ساختار زیر می توانند گوشه های چهار جهت مختلف را تشخیص دهند. نتیجه نهایی یک OR از چهار تصویر است که هر یک از چهار عنصر ساختاری به دست می آیند.
نتیجه نهایی یک OR از چهار تصویر است که
هر کدام ، از چهار عنصر ساختاری به دست آمده است.
💢💢💢💢💢💢💢💢💢💢

الگوریتم Hit-and-miss می تواند به
شکل #thin و skeletonize# کردن یک تصویر باینری استفاده شود.
این یک فرآیند تکراری است که حاوی مراحل مکرر است تا شکل را با
روش hit-and-missنازک کند.
در هر تکرار، بعضی از عناصر ساختاری مختلف برای شناسایی پیکسل های لبه ای که باید حذف شوند استفاده می شود و تا به شکل اسکلت نازک شده در بیاید.

💢💢💢💢💢💢💢💢💢💢

✅هنگامی که یک se بر روی یک تصویر باینری قرار می گیرد،
هر پیکسل آن با پیکسل مربوطه زیر عنصر ساختار مرتبط است.
✅به عنصر ساختار fit تصویر گفته میشود، اگر به ازای هر پیکسل ست شده با 1، پیکسل تصویر مربوطه هم 1 باشد(عمل AND).
✅به طور مشابه، به عنصر ساختارhit گفته می شود ، اگر حداقل برای یکی از پیکسل های ست شده به 1 ، پیکسل تصویر مربوطه نیز 1 باشد.(عمل OR)
💢💢
✅ تبدیل hit and miss، اجازه می دهد اطلاعاتی مبنی بر اینکه چگونه اشیاء در یک تصویر باینری، با محیط اطرافشان در ارتباط هستند ،بدست آوریم.
این عملیات نیاز به یک جفت سازگار از عناصر ساختاری {s1، s2} دارد

💢💢💢💢💢💢💢💢💢💢

💢5. Morphological Gradient💢
تفاضل بین فرسایش و انبساط حاصل از یک تصویر Gradient گویند.
برای تشخیص مرز شی مفید است.

💢💢💢💢💢💢💢💢💢💢