图像处理学习记录---形态学图像处理

• 灰度图像的均值反映亮度特性，方差反映对比度特性
• 理想滤波器、高斯滤波器、巴特沃斯滤波器中，只有高斯滤波器不会产生“振铃效应”。

形态学图像处理

• 图像形态学处理表现为一种近域运算形式，利用结构算子对输入图像的各个像素邻域进行逻辑运算，效果取决于结构元的大小，内容以及逻辑运算的性质。
• 结构元的大小，形状，原点位置
  

腐蚀和膨胀

腐蚀（erosion）

• 用B腐蚀A，B平移后完全包含在A中，B的原点位置的集合
  

• 作用：
  收缩或细化二值图像的目标区域，并能断开连接；
  滤波，滤除那些小于结构算子的图像目标

膨胀（dilation）

• 用B膨胀A，B的反射平移后，与A的目标区域相交时，B的反射的原点位置的集合。
  
• 作用：
  ‘增长’或‘粗化’二值图像中的目标区域
  填充目标区域的小孔，桥接缝隙

开启和关闭

开启(opening)

• 先腐蚀后膨胀
  
  

• 作用
  平滑物体的轮廓，磨光目标对象外凸的毛刺；
  断开较窄的狭颈并消除细的突出物；
  滤波-去除小的目标区域

闭合(closing)

• 先膨胀后腐蚀
  
  
• 作用：
  填充目标区域的细小空洞
  连接邻近的目标
  平滑其边界的同时不明显的改变其面积
  磨平目标区域内凹的毛刺

开启与闭合运算的性质

击中与击不中(HoM)

• 运算类型
  

• 实质就是形状匹配
  从正反两个方面来判断是否形状符合，排除了在只判断一方面时会造成的符合区域过大，过滤出多个原点中心的问题。
  
  

二值图像形态学应用

边界提取(Boundary Extraction)

• 运算类型
  1先膨胀加边再减去原图；2原图减去腐蚀后的；3剩余边界较粗
  
  

孔洞填充

• 孔洞：有前景像素相连接的边界包围的背景区域
• 实质：有条件的将背景像素置为前景
  迭代填充，随机选取孔洞的一个点，使用适合的结构算子迭代填充，直到前后两次填充结果一致。
  
• 输出：
  

如果此时选择3*3结构算子，至少会额外标注红色像素点，对结果进行影响。

连通分量提取，凸壳，细化，粗化，骨架

连通分量提取在孔洞填充中就有所使用

形态学重建

核心是测地膨胀和测地腐蚀
按照规定的模板进行迭代膨胀和腐蚀

• 应用
  提取目标形状
  填充孔洞
  边界清除

总结下来都是开闭操作的变形应用而已

灰度图像的形态学处理

灰度图像不同于二值图像，不能拿集合表示目标像素集，需要扩展膨胀，腐蚀，开操作，闭操作等。

灰度腐蚀和膨胀

不再是边界放缩，而是灰度值的增减

1. 平坦结构元与非平坦结构元
   强度截面均匀，强度截面不均匀，原点均位于中心处
   

2. 灰度腐蚀与膨胀
   平坦结构元
   
   非平坦结构元
   

3. 作用

• 灰度腐蚀：
  使图像整体变暗
  局部亮区变小，甚至消失，去除规模小的亮细节
  局部暗区变大
• 灰度膨胀：
  使图像整体变亮
  局部亮区变大
  局部暗区变小，甚至消失

4. 对偶关系
   

灰度开启与闭合

-作用
开操作
去除比结构元小的白点，基本不影响暗特征
闭操作
去除比结构元小的黑点，基本不影响亮特征

灰度形态学基本算法

A. 形态学平滑
去除小白点，小黑点

B. 形态学梯度
增强边缘、抑制同质区

C. 顶帽（Top-hat）变换与低帽（Bottom-hat）变换

• 顶帽变换
  用于暗背景上的亮目标的提取，可用于非均匀光照的矫正，使得暗背景亮度更加均匀
• 低帽变换
  用于亮背景上的按目标的提取

---

顶帽变换，是将先暗背景提取出来，再利用与原图差值，将暗背景灰度值增加，便于亮目标提取。
低帽变换，是先将整体变亮，再利用与原图的差值，将亮区变暗，暗区变亮。

D.粒度测定
顺次利用尺度渐变的结构算子，探测图像中不同大小尺寸的力度分布。
结构算子尺寸建增，分别对输入图像进行开操作，滤去小于结构算子的白点
对于每一次的开操作，计算其输出图像的灰度值和（表面区域）的差值
E.纹理分割
确定不同纹理内容所在的区域，实现图像的内容有效分割

灰度形态学重建

同二值图像一致

• 形态学重建的应用
  
  提取清晰的字
  重建开，结构元为长度等于71的水平线（滤去水平方向）
  开运算，去除字符，抑制图像的水平线，使背景均匀
  重建顶帽操作，结构元同上
  顶帽操作
  重建开，抑制垂直方向反射，结构元为长度为11的水平线
  水平膨胀 ，结构元1*21
  灰度膨胀形态学重建