形态学图像处理.ppt

* * 边界提取 Boundary Extraction * * 区域填充 Region Filling * * 连通分量提取 Extraction of connected components * * 连通分量举例 * * Your subtopic goes here 细化 Thinning * * Your subtopic goes here 细化 Thinning * * 灰度级图像扩展 二值图像中目标对象的像素集可用集合表示，但灰度图像不能，需要扩展膨胀、腐蚀、开操作和闭操作等运算 膨胀操作的结果： （a）如果结构元素的值都为正，那么输出图像会更亮 （b）暗的细节部分的变化取决于结构元素的值和形状 * * 开操作 闭操作 灰度级图像扩展 开运算通常对图像轮廓进行平滑，使狭窄的“地峡”形状断开，去掉细的突起。 闭运算也是趋向于平滑图像的轮廓，它一般使窄的断开部位和细长的沟熔合，填补轮廓上的间隙。 * * 灰度级图像扩展 结构元素为5×5的平行六面体 （b）膨胀图，更亮了减弱了暗细节 （c）腐蚀图，更暗了，明亮成分减少 * * 腐蚀、膨胀与形态学梯度 * * 综合实例 通过形态学处理不但可以过滤由于噪音或者其他原因引起的一些较小的不可能为人脸的类肤色区域，减少候选区域和提高检测速度，而且可以填补肤色区域内的较小空洞，防止这些空洞被误认为是人脸器官所造成的，为后续检测区域内(欧拉数判断是否为候选区域)降低了误判的可能性。 * * 综合实例 * * 综合实例 本算法中形态学运算既要去噪(如图像中的直线、表格、方方正正的文字及噪点等)，又要尽量少地影响边缘细节。结合试验分析，选定2个以中心为原点的3×3结构元素，对图像进行腐蚀和开运算。腐蚀和开运算的结构元素3×3矩阵 对于如图1所示的有复杂背景(如文字等)的条码图像，采用形态学方法消除了影响进一步提取梯度特征的因素，变成了只有少量噪声的图像，而且滤去了毛边，使图像二维码区域的梯度特征更加明显，其运算结果如图3所示。 * * Thanks That’s all * * 图 (a)表示一个简单的集合，图 (b)表示一个结构元素及其“映射”。在此图情况下，因为结构元素B关于原点对称，所以，结构元素B及其映射 相同。图 (c)中的虚线表示作为参考的原始集合，实线示出若 的原点平移至x点超过此界限，则 与A的交集为空。 这样实线内的所有点构成了A被B的膨胀。图9—3(d)表示预先设计的一个结构元素，其目的是为了得到一个垂直膨胀比水平膨胀大的结果。图9—3(e)显示为用此构成元素膨胀后得到的结果。 * * 集合A在图(c)用虚线表示作为参考。实线表示若B的原点平移至x点超过此界限，则A不能完全包含B。这样，在这个实线边界内的点构成了A被B的腐蚀。 * 先开操作再闭操作构成了噪音滤波器。 第一步：对源图像进行黑白二值化处理 第二步：开运算，然后闭运算（如图2），先进行开运算的目的是去除图像中的离散黑色像素点，再进行闭运算可以填补手写数字中的裂缝。 第三步：为了提取出图像中的每一个数字，从数字上的某个像素开始对数字进行填充，也可以按从左到右、从上到下的顺序扫描图像，找到一个黑色的像素开始填充，当填充结束时，所得到的填充区域就是图中某个手写阿拉伯数字的图像区域，这时，得到这个阿拉伯数字图像区域中像素坐标点对的集合，如图3所示。 第四步：通过第三步得到的某个数字的像素坐标点对的集合，通过骨架提取算法（见参考文献3）提取出手写数字的骨架，再将其骨架图像映射到某个8×8的0/1矩阵，矩阵中值为1的点表示手写数字骨架经过的矩阵中的点，0表示数字的背景，要求数字图像的每一行或每一列都至少有一个值为1，如图4所示。 第五步：对8×8的0/1矩阵进行内容分析。其中分析的方法主要有基于规则的方法、基于统计的方法和基于神经网络的方法，这三种方法将在本文的第3、4、5部分进行介绍。通过这些方法可以识别8×8的0/1矩阵中的数字，然后输出结果，转向第三步对图像中的其他数字进行识别。 * 1 1 1 1 利用膨胀运算填充目标区域中的小孔 * * * * * (1)膨胀 Dilation * * (2)腐蚀 erosion 腐蚀：使图像缩小 A用B来腐蚀写作 ，定义为： B移动后完全包含在A中时，B的原点位置的集合 含义： 每当在目标图像A中找到一个与结构元素B相同的子图像时，就把该子图像中与B的原点位置对应的那个像素位置标注为1，图像A上标注出的所有这样的像素组成的集合，即为腐蚀运算的结果。 腐蚀运算的实质就是在目标图像中标出那些与结构元素相同的子图像的原点位置的像素。 1 1 1 1 1 1 1 1 1 1 1