b_chapter_二值图像分析.pptVIP

膨胀 膨胀是腐蚀的逆操作， 定义腐蚀模板为 0 0 0 0 0 0 0 0 0 逻辑操作算子是Or 模板的效果相当于在物体的边界添加单个象素 4种情况: 当前处理象素为0，邻域象素为0－》0 当前处理象素为0，邻域象素为1、0的混合－》1 当前处理象素为1，邻域象素为1－》1 当前处理象素为1，邻域象素为1、0的混合－》1 原始图像 膨胀多次后的图像 膨胀（续） 开操作 开操作相当于先做腐蚀操作，再做膨胀操作 效果相当于去掉单个象素，但是保留原来的形状何尺寸。 原始图像 腐蚀两次，然后膨胀两次（开操作） 闭操作 闭操作是开操作的相互操作 先膨胀，然后腐蚀 它可以用来填补一些小洞 原始图像 闭操作结果 开、闭运算的滤波性质： 开运算可以滤掉背景噪声——胡椒状噪声 闭运算可以滤掉前景噪声——沙眼噪声 轮廓抽取 先做腐蚀操作， 再将腐蚀结果图像减去原始图像 原始噪声图像 膨胀运算 腐蚀运算 膨胀-腐蚀 腐蚀-膨胀 对字母揾收缩与扩展算法实验结果： 腐蚀和膨胀的变体 通常反复施以腐蚀运算,将使一个物体变得不存在。类似地,反复膨胀将把一幅图像中的所有物体合并为一个。然而,这些过程可以改变一下,以便在一些应用中产生更合适的结果。 收缩(Shrinking) 当腐蚀以一种不触及单像素物体的方式执行时,这个过程称为收缩。当物体总数必须保持不变时,这种方法很有用。收缩可以迭代方式为一个包含近似圆形物体的二值图像生成物体尺寸的分布。为图像中的单像素物体计数的过程与一个3×3算子交替的执行。每运行一次,半径减了一个像素,并有更多的物体收缩为单像素大小。记录下每次迭代中的单像素物体数目,可给出物体大小的累计分布。但收缩时会使非常不圆的物体(如哑铃状的物体)分解,因此这种技术有它的局限性。 细化(Thinning) 腐蚀可编程为一个两步过程，以免分裂物体。第一步是一个正常的腐蚀，但它是有条件的，也就是说,那些被标为可除去的像素点并不立即消去。在第二步中,只将那些消除后并不破坏连通性的点消除,否则保留。以上每一步都是一个3×3邻域运算,可用查表运算实现。 细化将一个曲线形物体细化为一条单像素宽的线，从而图形化地显示出其拓朴性质。在右图中显示了细化一组染色体的过程(其中有些接触在一起),细化后生成了一幅每个染色体是一条线段的图。这种方法可视作分隔有相互接触物体的算法的基础。 细化方法：在满足一定条件下迭代删除外围前景像素。 细化为一条单像素宽的线 抽骨架(Skeletonization) 基本概念： 最大圆盘：对于一个目标S，S内的最大圆盘不是其他任何完全属于S的圆盘子集，并且至少有两点与目标边界轮廓相切。 x D(x) w D(w) 最大圆盘 非最大圆盘 数字情况下圆盘的选择：令B为一种结构元素，最大圆盘可表示为0B，1B，…，nB。其中 用邻接象素模板作结构元素时的数字圆盘 0B 1B 2B 3B 基本概念： 骨架：所有最大圆盘的圆心构成了图像的骨架。 最大圆盘定义的骨架 抽骨架是一个与细化有关的运算 许多图像，其形状足以用其骨架来表示 骨架特点： 单像素厚度 等距性 下图将细化与抽骨架进行比较。二者的主要的差别在于抽骨架在拐角处延伸到了边界，而由细化得到的骨架却没有。 抽骨架 保留中轴像素 抽骨架方法 中轴方法（Medialaxis transform） 或焚烧草地技术(grass-fire technigue)。 中轴是所有与物体在两个或更多非邻接边界点处相切的圆心的轨迹。但抽骨架很少通过在物体内拟合圆来实现。 概念上，中轴可设想成按如下方式形成。想象一片与物体形状相同的草，沿其外围各点同时点火。当火势向内蔓延，向前推进的火线相遇处各点的轨迹就是中轴。 抽骨架的实现与细化相似,可采用一个两步有条件腐蚀实现,但是删除像素的规则略有不同。 n=0 n=1 n=2 输入图像 最终骨架 n=0 n=1 n=2 骨架化应用：数据压缩（有损或无损） 、字符识别 利用骨架子集进行数据重建的过程 （a）原灰度级图像； （b）二值化后的图像； （c）用开运算清除噪声；（d）用腐蚀和膨胀抽取各结点；（e）抽骨架分离各线路；（f）线路、结点和端点的最终显示 (a),(b),(c) (d),(e),(f) 一个例子 下图说明如何把运算组合起来以实现一个复杂过程。本例对一幅印刷电路板图像的分析找到各线路中断点的位置。 * * * *