第8章二值图像处理ppt课件

1、第第8 8章章 二值图像处理二值图像处理 ( (数学形态学图像处数学形态学图像处理理) )l经过图像分割之后，通常所获得的是二值图像。我们希望该二值图像中的两个值准确地代表“目的及“背景两个问题。但是在实际中，往往所检测到的“目的只是“候选目标”，为了保证不丢失目标，在图像分割时，允许有若干个“假目标出现。还有一种情况是，经过图像分割之后，所提取的是多个目标，这时就需要对所获得的二值图像进行处理，实现对目标的分析。数学形态学概述数学形态学概述u 数学形态学的发展简史及基本思想数学形态学的发展简史及基本思想u可回溯到可回溯到1919世纪世纪EulerEuler、2020世纪世纪Minkowski

2、Minkowski等人的等人的研究。研究。u19641964年法国的年法国的MatheronMatheron和和SerraSerra在积分几何的研究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。制了基于数学形态学的图像处理系统。u19681968年在巴黎矿业学院创建了数学形态学研究中年在巴黎矿业学院创建了数学形态学研究中心。心。uMatheronMatheron于于19751975年出版的年出版的Random Sets and Integral Geometry一书论述了随机集合论、积一书论述了随机集合论、

3、积分几何论和拓扑逻辑论，为数学形态学奠定了坚分几何论和拓扑逻辑论，为数学形态学奠定了坚实的理论基础。实的理论基础。u1982年年Serra的专著的专著是数学形态学发展的重要里程碑。是数学形态学发展的重要里程碑。u1985年以后，一些相关领域的国际会议开始把数学形态学年以后，一些相关领域的国际会议开始把数学形态学列为学术讨论专题，或专门举行研讨会。列为学术讨论专题，或专门举行研讨会。u1990年起，年起，SPIE每年举办一次每年举办一次“Image Algebra and Morphological Image Processing会议。会议。u1986年年出版了形出版了形态学在信号处理中的应用

4、研究专辑。态学在信号处理中的应用研究专辑。数学形态学是研究空间结构的形状、框架的学科数学形态学是研究空间结构的形状、框架的学科l以积分几何、集合代数及拓扑论为理论基础，此外还涉及随机集论、近世代数和图论等一系列数学分支。l数学形态学的理论虽然很复杂，被称为“惊人的数学”，但它的基本思想却是简单而完美的。l数学形态学的基于集合的观点是极其重要的。数学形态学的基于集合的观点l（1运算由集合运算如并、交、补等来定义；l（2所有的图像都必须以合理的方式转换为集合。l形态学算子的性能主要以几何方式进行刻画，更适合视觉信息的处理和分析。l基本思想：l利用结构元素作为“探针在图像中不断移动，在此过程中收集图

5、像的信息、分析图像各部分间的相互关系，从而了解图像的结构特征。 图图9.1 9.1 数学形态学的方法数学形态学的方法移位、交、并等集合运算移位、交、并等集合运算输出图像输出图像输入图像输入图像结构元素结构元素 结构元素的选择十分重要l根据探测研究图像的不同结构特点，结构元素可携带形态、大小、灰度、色度等信息。l不同点的集合形成具有不同性质的结构元素。由于不同的结构元素可以用来检测图像不同侧面的特征，因此设计符合人的视觉特性的结构元素是分析图像的重要步骤。l最基本的形态学运算有：膨胀,腐蚀，开，闭。l用这些算子及其组合来进行图像形状和结构的分析及处理，可以解决l抑制噪声、特征提取、边缘检测、形状

6、识别、纹理分析、图像恢复与重建等方面的问题。数学形态学进行图像处理有其独有的特性：l（1反映的是一幅图像中像素点间的逻辑关系，而不是简单的数值关系。l（2是一种非线性的图像处理方法，并且具有不可逆性。l（3可以并行实现。l（4可以用来描述和定义图像的各种集合参数和特征。二值图像分析二值图像分析 问题的提出问题的提出n经过图像分割之后，获得了目标物与非目标经过图像分割之后，获得了目标物与非目标物两种不同的对象。但是提取出的目标物存物两种不同的对象。但是提取出的目标物存在以下的问题：在以下的问题：n1 1提取的目标中存在伪目标物；提取的目标中存在伪目标物；n2 2多个目标物中，存在粘连或者是断裂；

7、多个目标物中，存在粘连或者是断裂；n3 3多个目标物存在形态的不同。多个目标物存在形态的不同。 二值图像分析的目的二值图像分析的目的n二值图像的分析首先是区分所提取出的二值图像的分析首先是区分所提取出的不同的目标物，之后，对不同的目标物不同的目标物，之后，对不同的目标物特征差异进行描述与计算，最后获得所特征差异进行描述与计算，最后获得所需要的分析结果。需要的分析结果。 二值图像分析的基本概念二值图像分析的基本概念n衔接衔接n连通域连通域 多个目标物的情况多个目标物的情况为讨论方便起见，这里，假设目标为黑色，背景为白为讨论方便起见，这里，假设目标为黑色，背景为白色。色。衔接n四连接：当前像素为黑

8、，其四个近邻像素中至四连接：当前像素为黑，其四个近邻像素中至少有一个为黑；少有一个为黑；n八连接：当前像素为黑，其八个近邻像素中至八连接：当前像素为黑，其八个近邻像素中至少有一个为黑。少有一个为黑。四近邻四近邻八近邻八近邻连通域n将相互连在一起的黑色像素的集合称为一个连通域。 四接连意义下为6个连通域。 八接连意义下为2个连通域。可以看到，通过统计连通域的个数，即可获得提取的目标物的个数。二值图像的分析方法n贴标签n腐蚀n膨胀n开运算与闭运算贴标签 基本思路n因为不同的连通域代表了不同的目标，为了因为不同的连通域代表了不同的目标，为了加以区别，需要对不同的连通域进行标识。加以区别，需要对不同的

9、连通域进行标识。例：下列图，八接连意义下为例：下列图，八接连意义下为2 2个连通域个连通域= “1号标签= “2号标签25525502550255002550025525525525525525525525525525502552552550025502552552552552550255f002020220220000000000100011010000010g贴标签 算法步骤n设一个二值矩阵表示一个黑白图像，为讨设一个二值矩阵表示一个黑白图像，为讨论方便起见，令论方便起见，令“黑黑=1”=1”，“白白=0”=0”。例：010000010110001000000000011011010100

10、f贴标签 算法步骤l初始化：设标签号为初始化：设标签号为Lab=0,Lab=0,已贴标签数已贴标签数N=0N=0，标签矩阵，标签矩阵g g为全为全0 0阵，按照从上到下，阵，按照从上到下，从左到右的顺序寻找未贴标签的目标点；从左到右的顺序寻找未贴标签的目标点；例：000000000000000000000000000000000000g010000010110001000000000011011010100f贴标签 算法步骤2. 检查相邻像素的状态：根据模板中的相邻像素的状态进行相应的处理；例：010000010110001000000000011011010100f模板模板 =“已经扫描过的

11、像素” *=“当前像素” =“未处理的像素”贴标签 算法步骤l如果扫描过的像素均为如果扫描过的像素均为0 0，则，则Lab=Lab+1, Lab=Lab+1, g(i,j)=Lab,N=N+1;g(i,j)=Lab,N=N+1;例：010000010110001000000000011011010100f010000000000000000000000000000000000g Lab=0+1=1; N=0+1=1贴标签 算法步骤l如果扫描过的像素标签号相同，则如果扫描过的像素标签号相同，则g(i,j)=Lab;g(i,j)=Lab;例：0100000101100010000000000110

12、11010100f010000000000000000000000000000000000g010000010000000000000000000000000000g010000010200000000000000000000000000g贴标签 算法步骤例：010000010110001000000000011011010100f010000010110001000000000011011010100f010000010220000000000000000000000000g010000012200000000000000000000000000g0100000101100010000000

13、00011011010100f贴标签 算法步骤l如果扫描过的像素标签号不相同，例如：如果扫描过的像素标签号不相同，例如：Lab2 Lab1, Lab2 Lab1, 则则g(i,j)=Lab1g(i,j)=Lab1，N=N-1N=N-1，修改所有为，修改所有为Lab2Lab2的像素值，使之为的像素值，使之为Lab1;Lab1;例：010000010220001000000000000000000000g010000010110001000000000000000000000g贴标签 算法步骤3.将全部的像素进行2.的处理，直到所有的像素全部处理完成;例：例：0100000101100010000

14、00000011011010100f010000010110001000000000011011010100f010000010110001000000000020000000000g010000010110001000000000022000000000g010000010110001000000000011011010100f010000010110001000000000011011010100f010000010110001000000000011011010100f010000010110001000000000011011010100f01000001011000100000000

15、0022030000000g010000010110001000000000022033000000g010000010110001000000000022033020000g010000010110001000000000022033020200g010000010110001000000000022022020200g贴标签 算法步骤4. 判断最终的Lab是否满足Lab=N， 如果是，则贴标签处理完成； 如果不是，则表明已贴标签存在不连号情况。这时，将进行一次编码整理，消除不连续编号的情况。贴标签 应用示例腐蚀 基本概念l腐蚀腐蚀 是一种消除连通域的边界点，使边界是一种消除连通域的边界点，

16、使边界向内收缩的处理。向内收缩的处理。例：例：腐蚀 设计思想n设计一个结构元素，结构元素的原点定位在设计一个结构元素，结构元素的原点定位在待处理的目标像素上，通过判断是否覆盖，待处理的目标像素上，通过判断是否覆盖，来确定是否该点被腐蚀掉。来确定是否该点被腐蚀掉。结构元素腐蚀 算法步骤1扫描原图，找到第一个像素值为1的目标点；2将预先设定好形状以及原点位置的结构元素的原点移到该点；3判断该结构元素所覆盖的像素值是否全部为1： 如果是，则腐蚀后图像中的相同位置上的像素值为1； 如果不是，则腐蚀后图像中的相同位置上的像素值为0；4重复2和3），直到所有原图中像素处理完成。腐蚀 例题注：图像画面上边框

17、处不能被结构元素覆盖的部分注：图像画面上边框处不能被结构元素覆盖的部分可以保持原来的值不变，也可以置为背景。可以保持原来的值不变，也可以置为背景。腐蚀 运用n 腐蚀处理可以将粘连在一起的不同目标物腐蚀处理可以将粘连在一起的不同目标物 n 分别，并可以将小的颗粒噪声去除。分别，并可以将小的颗粒噪声去除。膨胀 基本概念n膨胀是将与目标区域的背景点合并到该目标物中，使目标物边界向外部扩张的处理。例：例：膨胀 设计思想n设计一个结构元素，结构元素的原点定位在背设计一个结构元素，结构元素的原点定位在背景像素上，判断是否覆盖有目标点，来确定是景像素上，判断是否覆盖有目标点，来确定是否该点被膨胀为目标点。否

18、该点被膨胀为目标点。结构元素膨胀 算法步骤1 1扫描原图，找到第一个像素值为扫描原图，找到第一个像素值为0 0的背景点；的背景点；2 2将预先设定好形状以及原点位置的结构元素的将预先设定好形状以及原点位置的结构元素的原点移到该点；原点移到该点；3 3判断该结构元素所覆盖的像素值是否存在为判断该结构元素所覆盖的像素值是否存在为1 1的目标点：的目标点： 如果是，则膨胀后图像中的相同位置上的像素如果是，则膨胀后图像中的相同位置上的像素值为值为1 1； 如果不是，则膨胀后图像中的相同位置上的像素如果不是，则膨胀后图像中的相同位置上的像素值为值为0 0；4 4重复重复2 2和和3 3），直到所有原图中

19、像素处理完成。），直到所有原图中像素处理完成。膨胀 例题膨胀 运用n 膨胀处理可以将断裂开的目标物进行合n 并，便于对其整体的提取。开运算与闭运算的提出背景n前面介绍的膨胀与腐蚀运算，对目标物的后前面介绍的膨胀与腐蚀运算，对目标物的后处理有着非常好的作用。但是，腐蚀和膨胀处理有着非常好的作用。但是，腐蚀和膨胀运算的一个缺点是，改变了原目标物的大小。运算的一个缺点是，改变了原目标物的大小。n为了解决这一问题，考虑到腐蚀与膨胀是一为了解决这一问题，考虑到腐蚀与膨胀是一对逆运算，将膨胀与腐蚀运算同时进行。由对逆运算，将膨胀与腐蚀运算同时进行。由此便构成了开运算与闭运算。此便构成了开运算与闭运算。 开运算 算法原理n开运算是对原图先进行腐蚀处理，后再进开运算是对原图先进行腐蚀处理，后再进行膨胀的处理。行膨胀的处理。n开运算可以在分离粘连目标物的同时，基开运算可以在分离粘连目标物的同时，基本保持原目标物的大小。本保持原目标物的大小。开运算 运算示例腐蚀腐蚀膨胀膨胀闭运算 算法原理n闭运算是对原图先进行膨胀处理，后再进闭运算是对原图先进行膨胀处理，后再进