第6章数学形态学答辩.ppt

8.4 形态学应用 2. 细化 (1) 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。 (2) 细化就是在不改变图像像素的拓扑连接性关系的前提下，连续地剥落图像的外层像素，使之最终成为单像素宽的图像骨架，细化后骨架的存储量要比原来的图像点阵少得多，降低了图像处理的工作量。 (3) 在图像目标形状分析、信息压缩、特征提取与描述的模式识别等应用中经常运用的基本技术。几乎所有的光学字符识别（OCR）都是基于细化算法的。 8.4 形态学应用 2. 细化/骨架的提取 按照是否使用迭代算法，可分为两种实现方法 (1) 非迭代算法：一次产生骨架，如基于距离变换的方法。 梯度总是指向导数变化值最大的地方。找到所有梯度方向的汇聚点，即是骨架。 8.4 灰度形态学 2. 细化/骨架的提取 (2) 迭代算法：重复删除图像边缘满足一定条件的像素，最终得到单像素宽带骨架。 索引表细化算法：经过预处理后得到细化的图像是0、1二值图像。像素值为1的是需要细化的部分，像素值为0的是背景区域。基于索引表的算法就是依据一定的判断依据，所做出的一张表，然后根据要细化的八个邻域的情况查询，决定是否保留该点。 8.4 形态学应用 2. 细化/骨架的提取 (2) 迭代算法：重复删除图像边缘满足一定条件的像素，最终得到单像素宽带骨架。 P3 P2 P9 P4 P1 P8 P5 P6 P7 8.4 灰度形态学 图中，(1)不能删，因为它是个内部点，我们要求的是骨架，如果连内部点也删了，骨架也会被掏空的；（2）不能删，和（1）是同样的道理；（3）可以删，这样的点不是骨架；（4）不能删，因为删掉后，原来相连的部分断开了；（5）可以删，这样的点不是骨架；（6）不能删，因为它是直线的端点，如果这样的点删了，那么最后整个直线也被删了，剩不下什么；（7）不能删，因为孤立点的骨架就是它自身。 总结一下，有如下的判据：1.内部点不能删除；2.孤立点不能删除；3.直线端点不能删除4.如果P是边界点，去掉P后，如果连通分量不增加，则P可以删除。 我们可以根据上述的判据，事先做出一张表，从-到255共有256个元素，每个元素要么是0，要么是1。我们根据某点（当然是要处理的黑色点了）的八个相邻点的情况查表，若表中的元素是1，则表示该点可删，否则保留。 8.4 灰度形态学 主 讲：宁纪锋 电 话地 址：计算机科学系(信工320室) 数字图像处理 Digital Image Processing 主要内容 数学形态学概述 二值形态学 灰值形态学 形态学的应用 应用实例---细化 模板卷积和中值滤波回顾 模板卷积： (1) 模板在图像中逐像素移动，将模板中心与图像中某个像素重合； (2) 模板系数与被模板覆盖的对应像素相乘； (3) 把乘积相加，将结果赋予图像中对应模板中心的像素。 中值滤波： (1) 模板在图像中逐像素移动，将模板中心与图像中某个像素重合； (2) 将模板所覆盖的像素灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值。 模板卷积回顾1 如用3×3的模板： 1 2 1 4 3 1 2 2 3 4 5 7 6 8 9 5 7 6 8 8 5 6 7 8 9 1 2 1 4 3 1 2 2 3 4 5 7 6 8 9 5 7 6 8 8 5 6 7 8 9 3 4 4 4 5 6 6 7 8 模板卷积回顾2 中值滤波回顾 2. 二维中值滤波： 与均值滤波类似，做3*3的模板，对9个数排序，取第5个数替代原来的像素值。 1 1 1 9 1 1 1 1 1 1 模板卷积和中值滤波思考 　 　 1 　 　 　 1 1 1 　 1 1 1 1 1 　 1 1 1 　 　 　 1 　 　 1 1 　 　 　 1 1 1 　 　 　 1 1 1 　 　 　 1 1 1 　 　 　 1 1 思考问题： (1) 模板形状能否变化，是否一定是正方形模板 (2) 模板所覆盖的像素除了做积分、微分和取灰度中值之外，能否进行其他运算? 要解决这两个问题，就需要用到本章的数学形态学。 在数学形态学中，模板称为结构元素或探针，模板所取出的像素按灰度排序，取最大值或最小值，分别称为膨胀和腐蚀。 极大值滤波（膨胀）的一个例子：求一幅二值图像的边界 　 1 　 1 1 1 　 1 　 8.1 引言 1. 数学形态学概述 1964年，法国巴黎矿业学院的博士生J. Serra和导师G. Matheron，在从事铁矿核的定量岩石分析及预测其开采价值的研究中提出“击中/击不中变换”，并在理论层面上第一次引入了形态学的表达式，建立了颗粒分析方法。 数学形态学的数学基础是集合论，因此它具有完备的数学基础。具有天然的并行实现结