形态学重建不调库代码

形态学重建是一种图像处理技术，可以用于图像分割、边缘检测和形状识别等任务。下面是一个简单的形态学重建的示例代码，不使用任何库实现：

import numpy as np

def dilation(image, kernel):
    m, n = image.shape
    output = np.zeros((m, n))
    kx, ky = kernel.shape
    kcx, kcy = kx//2, ky//2
    
    for i in range(kcx, m-kcx):
        for j in range(kcy, n-kcy):
            if np.array_equal(image[i-kcx:i+kcx+1, j-kcy:j+kcy+1], kernel):
                output[i, j] = 1
    
    return output

def erosion(image, kernel):
    m, n = image.shape
    output = np.zeros((m, n))
    kx, ky = kernel.shape
    kcx, kcy = kx//2, ky//2
    
    for i in range(kcx, m-kcx):
        for j in range(kcy, n-kcy):
            if np.sum(kernel * image[i-kcx:i+kcx+1, j-kcy:j+kcy+1]) == np.sum(kernel):
                output[i, j] = 1
    
    return output

def opening(image, kernel):
    return dilation(erosion(image, kernel), kernel)

def closing(image, kernel):
    return erosion(dilation(image, kernel), kernel)

# 例子
image = np.array([[0, 0, 0, 0, 0],
                  [0, 1, 1, 1, 0],
                  [0, 1, 1, 1, 0],
                  [0, 1, 1, 1, 0],
                  [0, 0, 0, 0, 0]])

kernel = np.ones((3, 3))

result = closing(image, kernel)
print(result)

以上代码实现了形态学重建中的膨胀、腐蚀、开操作和闭操作。你可以根据自己的需求调整输入图像和结构元素(kernel)的大小。请注意，这只是一个简单的示例代码，实际应用中可能需要更复杂的算法和优化。