第九章_形态学图像处理_精品.ppt

9.6.4 灰度形态学处理应用 形态学平滑 形态学梯度 Top-hat 变换 纹理分割 粒子测度 (granulometry) * 形态学平滑 开运算后接一闭运算操作，用于消除亮的和暗的伪迹或噪声 实例： * 形态学梯度 定义： 效果：突出图像中灰度尖锐过渡的区域，当使用对称结构元素时，该算法对边缘方向性的依赖比空间增强技术中的梯度算子更小。 实例： * Top-hat 变换 定义： 其名字的来自于这样一种结构元素：具有平顶 (flat top) 的圆柱形或平行六面体形的结构。其效果是使低灰度级背景下的细节得到加强。 实例： * 纹理分割 先看处理任务：分开下图(a)中由不同大小圆球组成的两个纹理区域。 * 思路与步骤 用与图像左边球大小相当的结构元素（此时左边的球相当于暗细节）对图像进行闭操作来消除小球，左边只留下亮背景，右边不变。 用大于大球间距离的结构元素对上述结果做开运算，此时图像右边的背景区域（相当于亮细节）被消除，致使图像右边全成了黑色。这样就得到左边为白色，右边为黑色的一副简单图像。 简单的阈值操作就产生上页图(b)的边界。 * 粒子测度 粒子测度是一种主要对图像中粒子的尺度分布进行测量的一种操作。先看下面一幅主要由三中不同大小粒子组成的图像（图a）： * 思路与步骤 考虑到粒子亮度比图像背景亮度高，先用尺寸渐渐在增加的结果元素对图像进行开运算； 当每通过一次开运算时，把原图像与结果图像相减得到差图像。 在过程结束时，把前面所得的差规一化，并根据其构建粒子尺寸分布的直方图。 原理：开操作对输入图像中包含有与结构元素尺度相似的粒子的区域影响最大。 * 9.7 总结 坚实的理论基础－集理论 作为基本操作的膨胀和腐蚀可以产生很大一类的形态学处理算法； 形态学图像处理被广泛应用于图像分割和图像描述等方面 * 9.4 二值形态学图像处理基本操作 边界抽取 (boundary extraction) 区域填充 (region filling) 连接分量提取 (extraction of connected components) 凸壳算法 (convex hull) 细化 (thinning) 粗化 (thickening) 骨架 (skeletons) 修剪 (pruning) * 9.5.1 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 * 9.5.2 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 * 9.5.3 连接成分提取 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。 * 连接分量提取应用实例 －鸡肉块中显著尺寸骨头碎片的提取 * 9.5.4 凸壳算法 凸性(convexity)：如某集合A中任意两点的连线上的所有点都在该集合中，则称该集合是凸的。 凸壳：任意集合S的凸壳H（表示成C(S)）指的是包含S的最小凸集。差H-S称为S的凸缺。凸缺/壳主要用于对象的描述。 凸壳算法如下： 其中Bi代表下页图所示的4个结构元素，且X0i＝A，令D=Xiconv为上述迭代的收敛 (convergence) 值, 则A的凸壳由下式得到： 凸壳算法的具体过程可参照下页图 * 凸壳算法图形化过程 图(h)的凸壳结果图中，不同结构元素对它的贡献用不同的条纹表示。 * 上述方法的一个明显的不足是凸壳可能在A基础上生成的保证凸壳凸性所需的最小尺寸。一个简单的解决办法是限制结果凸壳不超过原集合水平和垂直方向的最大尺寸。上述结果经过此限制后的凸壳如下。