8第八章_形态学图像处理演示教学.ppt

8.5.1 边界抽取 令集A的边界为?(A), 其可以用某一合适的结构元素B对A先进行腐蚀，然后再把A减去腐蚀的结果来获得。 图例说明（9.4节所有的格子图像均用阴影表示1，白色表示0），当结构元素大小为3×3时，边界厚度为1象素。 应用实例：人形上半身图像侧面轮廓提取 8.5.2 区域填充 这里讨论一种简单的基于膨胀、取补和交的区域填充算法。下图所需填充的区域边界点是8连接的，先从界内一点P开始，用1去填充整个区域（设非边界元素为0），填充过程如下： 其中，B为对称结构元素，当k迭代到Xk=Xk-1时，算法终止，集合Xk和A的并集即为填充结果。上述过程每一步与Ac的交起把结果限制在我们感兴趣区域内的作用（要不膨胀会一直进行，直至填满整个区域），所以上述过程也称条件膨胀。 区域填充过程图示 区域填充应用实例： 消除球体二值扫描图像中心由于光放射造成的中心黑色区域 8.5.3 连通分量提取 连接分量提取经常被用于图像自动检测中，先回忆一下象素连接性（2.5.2节）的概念，然后看下图： 上图中，Y表示包含在集合A中的连接成分，并假设Y中的某点P已知，下述表达式将生成所有Y中的元素： 其中，X0＝p，B是如图中所示的一个适当的结构元素，当Xk=Xk-1时，迭代停止，此时，Y＝Xk，注意该表达式与填充过程的表达式的唯一区别是用A代替了那里的补。每次迭代与A取交集的作用是消除中心元素标志为0的那些膨胀结果。结构元素的形状是根据象素8连接性的定义而来的。 8.5.4细化算法 “骨架”是指一幅图像的骨骼部分，它描述物体的几何形状和拓扑结构，减少冗余的信息，是重要的图像描绘子之一，一般又称为“细化。 第八章 形态学图像处理 内容提纲: 数学基础 形态学基本运算 二值形态学图像处理基本操作 灰阶图像形态学处理基本操作 形态学图像处理基本应用 总结 8.1 数学形态学 形态学：通常指生物学中对动植物的形状和结果进行处理的一个分支。 数学形态学(mathematical morphology, MM)：是根据形态学概念发展而来具有严格数学理论基础的科学，并在图像处理和模式识别领域得到了成功应用。除了通常作为一种抽取图像中区域形状特征，如边界、骨骼和凸壳等，的工具外，也经常用于图像的预处理和后处理，如：形态学滤波、细化和修剪等。 MM是一门综合了多学科知识的交叉科学，尽管其理论基础很艰深，但基本概念却比较简单。其体现了逻辑推理与数学演绎的严谨性，又具备与实践紧密相关的实验和计算技术。它涉及微分几何、积分几何、测度论、泛函分析和随机过程等许多数学理论，其中积分几何和随机集论是其基石。 由于描述MM的语言是集合论，可以提供一个统一而强大的工具来处理图像分析中的问题。用MM对物体几何结构分析的过程就是主客体相互逼近的过程，通过MM的几个基本概念和运算，可将结构元灵活地组合、分解，并根据所得形态变换序列达到分析得目的。 形态学图像处理概念 形态学图像分析的基本步骤 提出所要描述的物体几何结构模式，即提取几何结构特征； 根据结构模式选择相应的结构元素（简单又有最强的表现力）； 用选定的结构元对图像实行击中与否（HMT）变换，便得到比原始图像更显著突出物体特征信息的图像。如赋予相应变量，还可得到定量描述； 经过形态学变换后的图像突出我们所需的信息，从而可以方便提取信息。 以上，HMT是MM图像分析的核心运算。 形态学图像变换中结构元素选取的原则 在形态学算法设计中，结构元素的选择十分重要，其形状、尺寸的选择是能否有效提取信息的关键。选择的几个基本原则： 结构元素必须在几何上比原图像简单，且有界；当选择性质相同或相似的结构元素时，以选择极限情况为宜； 结构元素的凸性很重要，对非凸子集，由于连接两点的线段大部分位于集合的外面，故用非凸子集作为结构元素将得不到什么信息。 五种基本的结构元素类型： 形态学图像分析的优点 MM方法比其他空域或频域图像处理方法有一些明显的优势： 在恢复处理中，形态滤波可借助先验的几何特征信息，利用形态学算子有效滤除噪声，又可保留图像的原有信息； MM算法易于用并行处理方法有效实现，且硬件实现容易； 基于MM的边缘信息提取由于基于微分的提取算法，也不象微分算法对噪声那样敏感，同时提取的边缘较光滑； 基于MM方法提取的图像骨架较连续，断点少。 集合关系的图形表示 并、交、补、减 移位、反射 二值图像中的基本逻辑操作 三种最基本的逻辑运算（功能完整的）：与、或、非（补） 尽管逻辑操作与集合操作间存在一一对应的关系，但逻辑操作只是针对二值图像。 逻辑操作图形表示 8.3 二值形态学基本运算 腐蚀 膨胀 开和闭 击中与否变换 8.3.1 腐蚀运算 定义： 假定A和B是X2上的两个集合，把A被B腐蚀定义为：