8F处理_第八章二值图像处理与形状分析.ppt

第八章 二值图像处理与形状分析 二值图像处理的流程如图8.1.1所示。 首先介绍二值图像的几何概念； 其次是讲解二值图像连接成分的各种变形算法； 最后简介二值图像特征提取与描述的各种方法。 8.1 二值图像的连接性和距离 在二值图像特征分析中最基础的概念是二值图像的连接性（亦称连通性）和距离。 1.邻域和邻接 对于任意像素(i，j)，把像素的集合{(j+p，j+q)}(p,q是一对适当的整数)叫做像素(i，j)的邻域。直观上看，这是像素(i，j)附近的像素形成的区域。最经常采用的是4-邻域和8-邻域。 ①4-邻域与4-邻接 ②8-邻域与8-邻接 第九章 纹理分析 提到纹理，人们自然会立刻想到木制家俱上的木纹、花布上的花纹等。木纹为天然纹理，花纹为人工纹理，它们反映了物体表面颜色和灰度的某种变化。这些变化与物体本身的属性相关。 9.3 Laws纹理能量测量法 Laws的纹理能量测量法是一种典型的一阶分析方法，在纹理分析领域中有一定影响。 Laws纹理测量的基本思想是设置两个窗口： 一个是微窗口，可为3×3、5×5或7×7，常取5×5用来测量以像元为中心的小区域的灰度的不规则性，以形成属性，称为微窗口滤波； 另一个为宏窗口，为15×15或32×32，用来在更大的窗口上求属性的一阶统计量（常为均值和标准偏差），他称之为能量变换。 整个纹理分析过程为 f(x,y)?微窗口滤波?F(x,y)?能量转换?E(x,y)?分量旋转?C(x,y)?分类?M(x,y) 9.5灰度共生矩阵分析法 9.5.1灰度共生矩阵的定义 在三维空间中,相隔某一距离的两个像素，它们具有相同的灰度级，或者具有不同的灰度级，若能找出这样两个像素的联合分布的统计形式，对于图像的纹理分析将是很有意义的。灰度共生矩阵就是从图像 (x,y)灰度为i的像素出发，统计与距离为δ=(Δx2+Δy2)1/2、灰度为j的像素同时出现的概率P(i,j,δ,θ)。如图9.5.1。用数学式表示则为 Kaizer从北极航空照片中取出七类不同地面覆盖物的图像，采用自相关函数进行分析。对每一类地面覆盖物作出它们的自相关函数随d的变化曲线。当r(d)=1/e时，七条曲线对应的d值分别为d1，d2，… , d7，如图9.4.1。根据di 的大小，把7类地物从细到粗进行了排序。 将七类地物对应的七张图像请二十位观测者按纹理粗细目视判别，也按由细到粗的次序将图片排队。 将目视判别结果与自相关函数分析的排列结果作比较，发现用自相关函数自动分析可达99%的正确率。 P(i,j,δ,θ) ＝ {[(x,y),(x+Δx，y+Δy)] |f(x,y)=i,f(x+Δx,y+Δy)=j；x, y=0,1 ,…,N-1} * 2.像素的连接 对于二值图像中具有相同值的两个像素a和b，所有和a、b具有相同值的像素系列p0(=a),p1,p2,…,pn-1,pn(=b)存在，并且pi-1和pi互为4-/8-邻接，那么像素a和b叫做4-/8-连接，以上的像素序列叫4-/8-路径。如图8.1.3。 图8.1.4 连接性矛盾示意图 图8.1.5 连接成分 单重连接成分 多重连接成分 孔 如果把1-像素看成8-连接，那么0-像素就必须用4-连接。 3.连接成分 在二值图像中，把互相连接的像素的集合汇集为一组，于是具有若干个0值的像素(0像素)和具有若干个1值的像素(1像素)的组就产生了。把这些组叫做连接成分。 4．欧拉数 在二值图像中，1像素连接成分数C减去孔数H的值叫做这幅图像的欧拉数或示性数。若用E表示图像的欧拉数，则 E=C-H (8.1-1) 对于一个1像素连接成分，1减去这个连接成分中所包含的孔数的差值叫做这个1像素连接成分的欧拉数。显然，二值图像的欧拉数是所有1像素连接成分的欧拉数之和。 5．像素的可删除性和连接数 二值图像上改变一个像素的值后，整个图像的连接性并不改变（各连接成分既不分离、不结合，孔也不产生、不消失），则这个像素是可删除的。 像素的可删除性可用像素的连接数来检测。 二值图像中B(p) = 1时，像素p的连接数Nc（p）为与p连接的连接成分数。 计算像素p的4-/8-邻接的连接数公式分别为