数学形态学-控制科学与工程学系.ppt

数字骨架可以从形态学的角度进行定义。对于k＝0，1， 2，…， 定义骨架子集Sk（X）为图像X内所有最大圆盘kB的圆心x构成的集合。从骨架的定义可知，骨架是所有骨架子集的并， 即 S(X)=∪{ Sk（X ）| k＝0， 1， 2， …} （8-33） 可以证明骨架子集为 Sk（X）= (X kB)-［(X kＢ) ○Ｂ］ 式中，B为结构元素， (X kB)代表连续k次用B对X腐蚀，即(X kB)=（（…(X Ｂ) Ｂ）…） Ｂ。由此式和式（8-33）可得 S(X) = ∪｛(X kB)-［(X kB) ○Ｂ］| k＝0， 1， 2， …｝（8-34） 这就是骨架的形态学表示，它也是用数学形态学方法提取图像骨架技术的依据。对于给定的图像X以及结构元素Ｂ，(X kＢ)可以将X腐蚀为空集，如果用N表示(X kＢ)运算将X腐蚀成空集前的最后一次迭代次数，即 N =max{k | (X kB)≠ }，则式（8-34）可以写为 （8-35） 相反，图像X也可以用Sk（X）重构，即 （8-36） 式中，B为结构元素， (Sk(X) ⊕ kB)代表连续k次用B对Sk(X)膨胀， 即 利用式（8-35）以及图像腐蚀、膨胀的算法可以编写程序实现形态学骨架抽取变换，有兴趣的请参考书后的参考文献。图8-25给出了用形态学方法抽取图像骨架的一个实例。其中，图8-25(a)为一幅二值图像，图8-25(b)为用3×3的结构元素S（原点在中心）得到的骨架，图8-25(c) 为用5×5的结构元素得到的骨架，图8-25(d)为用7×7的结构元素得到的骨架。注意图8-25(c)和(d)中由于模板较大叶柄没有保留下来。 图8-25 骨架抽取示例 (a) 一幅二值图像； （b） 用3×3的结构元素S得到的骨架； (c） 用5×5的结构元素得到的骨架； （d）用5×5的结构元素得到的骨架 8.5 应用实例——细化 利用前面所介绍的形态学知识，下面给出一种实用的对二值区域进行形态学细化的一种算法。如前所述，一个图像的“骨架”， 是指图像中央的骨骼部分，是描述图像几何及拓扑性质的重要特征之一。求一幅图像骨架的过程就是对图像进行“细化”的过程。在文字识别、地质构造识别、工业零件形状识别或图像理解中， 先对被处理的图像进行细化有助于突出形状特点和减少冗余信息量。 根据8.4.2节中骨架和细化的定义以及式（8-30）、 式（8-32）和式（8-35）等可以看到，在细化一幅图像X时应满足两个条件： 第一， 在细化的过程中， X应该有规律地缩小； 第二，在X逐步缩小的过程中， 应当使X的连通性质保持不变。下面介绍一个具体的细化算法。 设已知目标点标记为1，背景点标记为0。边界点是指本身标记为1而其8连通邻域中至少有一个标记为0的点。算法对一幅图像的所有边界点即一个3×3区域都进行如下检验和操作： （1） 考虑以边界点为中心的8邻域，设p1为中心点，对其邻域的8个点逆时针绕中心点分别标记为p2，p3，…，p9，其中p2位于p1的上方。如果p1=1(即黑点)时，下面4个条件同时满足，则标记p1为删除点(最后统一删除)： ① 2≤N(p1)≤6，其中N(p1)是p1的非零邻点的个数； ② S(p1) = 1，其中S(p1)是以p2，p3，p4，…，p9为序时这些点的值从0到1变化的次数； ③ p2p6p8=0； ④ p4p6p8 =0。 （2） 同第（1）步，仅将③中的条件改为p2p4p6=0，④中的条件改为p2p4p8=0。同样当对所有边界点都检验完毕后，将所有满足条件的点删除。 以上两步操作构成一次迭代。算法反复迭代，直至没有点再满足标记删除的条件，这时剩下的点就组成区域的骨架。图8-26给出了这一算法的应用示例。其中，图8-26(b)、(c)、(d)是p1不可删除的三种情况。在图8-26(b)中删除p1会分割区域，图8-26(c)中删除p1会分割缩短边缘，图8-26(d)中满足条件2≤N(p1)≤6但p1不可删除。 图8-26 细化算法示意图 (a)标记p1和邻点；(b) p1不可删除情况一；(c) p1不可删除情况二； (d) p1不可删除情况三； (e) 细化前图像；(f) 细化后的结果 下面是上述细化算法的VC++函数框架和主要算法。 //******************************