数学形态学在图像处理中的发展与应用.pptVIP

内 容 简 介 1. 数学形态学在图像处理中的发展： 1.1 数学形态学在图像处理中的起源 1.2 二值数学形态学 1.3 灰度数学形态学 1.4 软数学形态学 2. 数学形态学在图像处理中的应用： 2.1 综合概述 2.2 介绍一种基于数学形态学的遥感图像边缘检测算法 1.1 数学形态学在图像处理中的起源 1964年法国的Matheron和Serra在积分几何的研究成果上，将数学形态学引入图像处理领域，并研制了基于数学形态学的图像处理系统。 1982年出版的专著《Image Analysis and Mathematical Morphology》是数学形态学发展的重要里程碑，表明数学形态学在理论上趋于完备及应用上不断深入 数学形态学是一种非线性滤波方法．Minkowski结构和差运算，即形态和差(膨胀与腐蚀)是数学形态学的基础． 1.2 二值形态学 数学形态学中二值图像的形态变换是一种针对集合的处理过程。 其形态算子的实质是表达物体或形状的集合与结构元素间的相互作用，结构元素的形状就决定了这种运算所提取的信号的形状信息． 基本的形态运算是腐蚀和膨胀。 腐蚀： 膨胀： 开运算和闭运算 1.3 灰度形态学 灰度数学形态学是二值数学形态学对灰度图像的自然扩展 在灰度形态学中，二值化形态学中所用到的交、并运算将分别用最大、最小极值运算代替．灰度图像的腐蚀和膨胀过程可直接从图像和结构元素的灰度级函数计算出来. 灰度形态学腐蚀运算的定义为： 灰度形态学的膨胀运算的定义为： 其中，f代表图像的灰度值,g代表结构元素的灰度值。 1.4 软数学形态学 在软数学形态学的运算中，注入了“顺序统计”的数学思想。标准形态学里用到的极大极小运算用加权排序统计法代替：并将结构元素分为核心和软边界两大部分。 在灰度软形态学的膨胀与腐蚀运算中，将结构元素软边界对应的处理结果和与结构元素核心(重复k次)对应的结果按升序或降序排列，该排列表中的第k个元素即为软数学形态膨胀或腐蚀的结果。设软灰度结构元素[β，α，k]对灰度图像f的软形态腐蚀的定义为： 软灰度结构元素[β，α，k]对灰度图像f的软形态膨胀的定义为： 2.1 数学形态学应用的综合介绍 随着计算机、图像处理、模式识别、计算机视觉等学科的发展，数学形态学目前正在蓬勃发展。国内外广大学者对各种类型的形态学的代数特性已进行了充分的研究与论证。因此，数学形态学在理论上已趋于完备，它具有并行快速、易于硬件实现等优点 数学形态学在遥测、材料科学、生物医学图像处理、质量检测与定位、自动控制与自动检测、身份认证与安全控制、文档处理、图像编码、形态滤波、边缘检测、运动目标跟踪、图像重建、特征提取、目标识别、图像分割等等图像处理领域得到了越来越广泛的应用。 2.2 一种基于数学形态学的遥感图像边缘检测算法 一 边缘检测算法 图像边缘具有以下三个重要特征： （1）边缘处象素灰度值变化呈不连续性。 （2）边缘两侧具有不同的纹理特征。 （3）边缘处象素灰度值具有方向性。 经典的微分算子，一般首先检测出图像局部特征的不连续性，然后再将这些不连续的边缘象素连成完备的边界。但由于噪声也具有灰度变化迅速的特点，所以用微分算子边缘检测存在“提升噪声”的缺陷。如果进行减噪，往往连目标信息也一同去除。遥感图像往往具有灰度值过渡平稳，图像噪声较多的特点，因此，微分算子的检测效果不很理想。 数学形态学则可有针对性地选择结构元素和变换方式，可对某一类特定目标进行减弱或加强。 考虑到遥感图像具有灰度变化丰富，所含信息大，背景噪声复杂，边缘密度大的特点，一种有效的算法，应分为前期滤波，边缘提取，后期处理三个阶段。 1. 前期滤波 遥感图像由于受到高度，传感器精度，天气，温度等诸多因素的影响，往往带有大量的噪声，在边缘检测中一些孤立的噪声，应先去除，以免影响边缘检测的精度。针对这一特点，设计使用开-闭形态滤波器. 首先对输入图像X(x,y)实行开启运算，运算式为： 接着对开启运算的结果实施闭合运算： 2. 边缘提取 形态学边缘提取的思想是：经过某种变换后，待提取的边缘的灰度值的变化程度比图像中非边缘部分的要明显得多. 取结构元素B为[0，1，0；1，1，1；0，1，0]. 采用3种变换方法 (1) (2) (3) 2. 边缘提取 2. 边缘提取 3.后期处理 将边缘检测结果取门限二值化，利用多刻度形态学方法细化图像，采用模板[0，0，0；0，1，0；0，0，0]过滤掉单噪声点，最终输出图像。 二. 实验结果分析 输入遥感图像具有背景复杂，边缘密度大的特点。将本文中的算法与Robert边缘检测算法做比较。如图1所示，Robert 算子有几处