digitalimageprocessing灰度共生矩阵纹理描述概述.pptVIP

?灰度共生矩阵纹理描述 8.6 图像的纹理描述 (4) 相关 (5) 逆差矩 逆差矩反映的是矩阵中大值元素到主对角线的集中程度， 值越大，说明大值元素越集中。 ?傅立叶功率谱纹理描述 8.6 图像的纹理描述 设纹理图像为 ，则其二维 变换为： 功率谱定义如下： 功率谱反映了整幅图像的性质，它的分布规律与 的纹理特征有密切关系，这种关系主要反映在两个方面： 第一， 的径向分布与空域中 的纹理粗细有关，纹理越密集，功率谱沿径向分布就越分散，逐渐远离原点，反之纹理越粗、越稀疏，功率谱则逐渐向原点集中。 第二， 的分布方向和空域中的纹理方向有关，两者相互垂直，例如空域中垂直条纹的纹理在功率谱上是水平的条状分布。 ?概述 8.7 形态学在图像描述中的应用 数学形态学（Mathematical Morphology）是一种用于图像处理的新理论和新方法。它通过物体和结构元素相互作用的某些运算，得到物体更本质的形态，即获得物体的拓扑和结构信息。因此，它也适合于描述图像的几何参数和特征。 1. 形态学的4种基本运算 1）腐蚀 结构元B平移x后得到Bx，若Bx包含于A，则记下这个x点，所有满足上述条件的点x的全体构成结构元B与目标图像A的最大相关点集，这个点集称为B对A的腐蚀，记为 2）膨胀 对于给定的目标图像A和结构元B，将A中每一个点x扩大为 的操作称为膨胀运算，记为 ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 3）开运算 对目标图像A及结构元B，A对B的开运算记为： 4）闭运算 目标图像A与结构元B的闭运算可以记为： ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 2. 骨架化（Skeletonization） 抽骨架也称为中轴变换或焚烧草地技术。中轴是所有与对象在两个或更多非邻接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。在概念上，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。 若集合A的骨架记为S(A)，则形态学的骨架化操作可以表示为: 或者: 式中，B为结构元， 表示用B对A 及其腐蚀结果连续腐蚀k次 ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 2. 骨架化（Skeletonization） A可以通过下式重构： 式中， 表明用B对 及其膨胀结果连续膨胀k次。 下面给出一个实例演示： 8.6 形态学在图像描述中的应用 (a)3×3结构元B (b)二值图像A (c) (d) (e) (f) （g） （h） （i） (j) (k) (l) ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 2. 细化（Thinning） 细化即擦除黑色像素使一个没有孔洞的物体腐蚀成一个与其最近的外边界等距分布最小的连接线，一个具有孔洞的物体腐蚀成一个在每一个孔与最近外边界之间的最小连接环。 集合A被结构元B细化记为A◎B，细化过程可以表示为: 为了进行有效的细化，可以用一个结构元序列 这个细化过程可表示为： ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 2. 细化（Thinning） 适合于细化的结构元素是工字形的 ，如下所示： ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 2. 细化（Thinning） ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 2. 细化（Thinning） 收敛后的结果 　　　　转换为具体混合连通的细化结果 ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 2. 细化（Thinning） （a） 原图 （b） 骨架化的图像 （c） 细化图像 　 由以上可以看出：细化与骨架化的主要差别在于中轴骨架在拐角处延伸到了边界，而细化的没有。 ?形态学在区域描述中的应用 8.6 形态学在图像描述中的应用 2. 粗化（Thickening） 形态学粗化运算的定义是： 对A进行粗化，就是对 作细化，两者之间