图像数学形态学.pptxVIP

图像数学形态学;数学形态学(mathematical morphology)诞生于1964年，基本思想是用具有一定形态的结构元素（SE，structural element）或内核去量度和提取数字图像中的对应形状，以实现对图像进行分析和识别的目的。 形态学分析是一门建立在集合论基础上的学科，它是几何形态分析和描述的有力工具，是一种新的图像处理与分析方法。 数学形态学的基本思想也适应于图像处理的很多方面，包括图像增强、边缘检测、图像分割、特征提取、图像复原、文字识别、医学图像处理、图像压缩，以及机器视觉等众多领域。 在工农业生产中，视觉零部件检测、产品质量检测、食品安全检测、生物医学图像分析和纹理分析等方面，数学形态学取得了非常成功的应用，创造了较好的经济效益和社会效益。 ;数学形态学是基于图像形状的操作，主要针对的是二值图像，最基本的操作是腐蚀和膨胀，其他如开运算、闭运算、高帽运算、黑帽运算等都是在腐蚀和膨胀操作的基础上进行的。 膨胀是对图像中的高亮部分进行膨胀，类似于领域扩张，结果拥有比原图更大的高亮区域； 腐蚀是对原图的高亮部分腐蚀，类似于领域被蚕食，结果拥有比原图更小的高亮区域。 从数学的角度来说，膨胀和腐蚀操作就是将图像与核进行卷积，核可以是任意形状和大小的。核大则周围对其影响大，变化大；核小则周围对其影响小，变化小。 ;8.1 结构元素（卷积核）;8.1.1 OpenCV生成结构元素;【例8.1】使用cv2.getStructuringElement()函数生成结构元素，程序代码如下：;8.1.2 Numpy 生成结构元素;8.2 腐蚀;8.2.1 OpenCV中的腐蚀操作;【例8.3】使用cv2.erode()函数实现二值图像的腐蚀运算。程序代码如下：;8.2.2 skimage 中的腐蚀函数;【例8.4】使用skimage库函数实现图像的腐蚀运算，程序代码如下：;8.3 膨胀;8.3.1 OpenCV 中的膨胀函数;【例8.5】使用cv2.dilate ()函数实现图像的膨胀运算，程序代码如下：;8.3.2 skimage中的膨胀函数;【例8.6】使用skimage库函数实现图像的膨胀运算，程序代码如下：;可见卷积核的大小，对膨胀结果的影响非常大。一般设置为奇数，除了正方形的卷积核外，卷积核的形状还有其他矩形、球形等，如表8-3所示： ;8.3.3 OpenCV形态学处理原型函数;? kernel：结构元素； ? anchor：用kernel锚定位置。负值意味着anchor位于核心中心； ? iterations：腐蚀和膨胀的次数； ? borderType：像素边缘处理方法； ? borderValue：边界不变的边界值。 开运算和闭运算均是腐蚀和膨胀的组合，而高帽变换和黑底帽变换 是分别以开运算和闭运算为基础的。这四个操作都可直接使用OpenCV提供的上述函数来完成。 ;8.4 开运算;8.4.1 OpenCV中的开运算函数;8.4.2 skimage中的开运算函数;【例8.8】使用skimage.morphology.openning()函数进行开运算，程序代码如下：;;;8.5 闭运算（closing);8.5.1 OpenCV中的闭运算;8.5.2 skimage中的闭运算;【例8.10】使用skimage.morphology.closing()函数进行闭运算，程序代码如下：;8.6 高帽（tophat）运算;8.6.1 Opencv中的高帽运算;8.6.2 skimage中的高帽运算;全局阈值 是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像，它是根据整幅图像确定的。但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。 常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。;自适应阈值;最佳阈值;10.1.1 全局阈值分割;【例10.1】使用各种阈值分割类型对图像进行处理，程序代码如下：;10.1.2自适应阈值;【例10.2】使用自适应选取阈值方法对图像进行处理，程序代码如下：;【10.4】基于初始种子自动选取的区域生长。程序代码如下：; if X_seed.size 0 and Y_seed.size 0: seeds.append((X_seed[0], Y_seed[0])) #将种子坐标写入seeds thresh_B[Xb, Yb] = 0 #将thresh_B像素值置零 return seeds ? #区域生长 def regionGrow(gray, seeds, thresh, p): seedMark =