数字图像处理第8单元.pptVIP

中轴变换MAT算法: 中轴变换MAT（medial axis transform），它的核心是距离变换，通过将 区域中每个像素点到边界的最近距离定义为该像素的值，从而将骨架定义为具 有区域内最大距离的像素的点集合。 下面以二值图像距离变换为例，说明基于中轴变换的骨架求解算法原理: （1）首先将灰度图像进行二值化处理，得到二值区域图像 ，其中目标区域的像为1，背景区域的像素值为0，而 ， 表示后面步骤中区域迭代计算的结果； （2）分别对区域中各像素点(i,j)，找出其四邻域中具有最小值的点，即 （3）用该最小值加1代替原像素点的值，对整个区域进行变换后得到的是新区域图像，即 8.3 目标物的区域描述 ?骨架描述 　中轴变换MAT算法: （4）最后，取 的局部最大值的点的集合，即为骨架。 8.3 目标物的区域描述 如此迭代进行这一步骤，直到第k+1次和第k次的区域图像完全相等，即 ?骨架描述 　扩展与收缩算法： 除了中轴变换之外，我们还可以通过扩展和收缩，以及细化算法确定区域基本形状并去除冗余信息量。在实际应用中，我们经常把扩展算法和收缩算法联系在一起交替使用。 扩展算法的目的是把区域向四周扩大，填补区域中的空白。设原始区域为 ，其相邻区域为 ，通过将 中的各点归入 ，记结果区域为 ，然后依次进行K次迭代扩展，得到的区域为 。 区域收缩与扩展算法正相反，它的目的是消除孤立点和小分枝。收缩算法设原始区域为 ，其相邻区域为 ，将 中和 相邻的点归入 中，得到的区域记为 ，通过收缩K次后，得到区域为 。 收缩和扩展这两种过程是不可交换的，也不可逆。但下式却是成立的，即 8.3 目标物的区域描述 ?骨架描述 收缩和扩展算法举例如下所示： （a）收缩举例 （b）扩展举例 8.3 目标物的区域描述 　细化算法： 细化算法是一种特殊的多次收缩的过程，由于它在收缩过程中不会消去只有一个邻接点的边界点，因此可以保证收缩过程中的连通性，细化后的曲线位于区域中央，一般我们采取由左至右，由上至下的细化过程，反复多次地消去具有两个以上邻接点的边界点。 （a）原始图像 （b）消去上边界点后的区域图像 8.3 目标物的区域描述 下图8.3.8是细化过程示例。 ?骨架描述 　细化算法 (c)消去下边界点后的区域图像 (d）消去左边界点后的区域图像 （e）消去右边界点后的区域图像 8.3 目标物的区域描述 ?骨架描述 　细化算法、收缩算法和中轴变换的区别: 细化算法、收缩算法和中轴变换很相似，其作用都是将原始区域缩小为曲线骨架，但是它们也有区别： （1）收缩算法和细化算法的效果不同。收缩算法使物体区域缩小，但是无法保持其形状特征，而细化算法在缩小区域的同时也能保持区域的基本形状； （2）中轴变换和细化算法的结果不同。通过图8.3.9可以看出，中轴变换的骨架在拐角处延伸到边界，而细化骨架则没有。 （a）中轴变换 （b）细化算法 8.3 目标物的区域描述 图8.3.9 细化与中轴变换的比较 ?概述与分类 　 图像的描述不仅包含了前面所讲到的边缘及目标区域的识别，对目标物几何特征的识别与分析也显得尤为重要。几何特征是目标物特征中的重要参数，对于图像识别分类与理解有重要作用。以下是几种最典型的几何特征： 8.4 图像的几何特征 （1）区域面积； （2）曲线长度和区域的周长； （3）区域圆形度； （4）区域的外接矩形； （5）区域偏心率； （6）区域的紧凑性。 ?区域面积 8.4 图像的几何特征 设区域边界曲线被分为上下两部分，如右图所示，其参数方程分别为 面积为： 式中R1、R2分别为边界曲线的上半部分和下半部分与轴所围成的面积。 图8.4.1 区域轮廓曲线可分为 上下两部分来求面积 在数字图像中，区域面积可定义为区域内所包含的像素个数，即可将区域内像素标记为f(m,n)=1，区域外标记为f(m,n)=0，则面积为: 当图像已表示成某种描述形态的数据结构时，就有可能由它们直接获得。 ?曲线长度和区域周长　 8.4 图像的几何特征 规则曲线的弧长计算有通用公式，即： 在数字图像中，水平和垂直方向上相邻的两像点间的距离可看为1，对角方向上相邻的两像点的距离为 ，那么曲线长度就等于按上述定义的两点距离逐点累加。 另一种计算曲线长