形态学----图像处理（初学者，个人理解，整理仅供参考）

形态学

   形态学通常表示生物学的一个分支，该分支主要研究动植物的形态结构，将数学形态作为工具从图像中提取表达爱和描绘区域形状的有用图像分量，如边界、骨架和凸壳等。预处理和后处理的形态技术，如：形态学过滤、细化和修剪等。

   在数字图像处理这门课中，分配给我所研究的内容是<图像的骨架提取>，初入这个领域，无从下手，感觉这一部分内容和我要研究的骨架提取有些关系，就都整理上了，内容也只是个人理解，写篇文章记录自己研究的过程，即使错了，我觉得也很有意义。

腐蚀

  腐蚀缩小后细化了二值图像中的物体，可以将腐蚀视为形态学滤波操作，将小于的结构元的图像细节从图像中滤除。

骨架

  表示平面区域内结构形状的一种重要方法是将它简化为图形。这种简化可以通过一种细化算法来得到该区域的骨架来实现。

  一个区域的骨架可以用Blum提出的中轴变换（MAT）来定义。

  边界为B的区域R的MAT：对R中的每个点p，在B中找到与其最接近的邻点。如果p有多个这样的邻点，则认为p属于R的中轴（骨架）。

  区域的MAT有一个直观的定义，我们将一个图像区域想象成由干草组成的平坦大草原，且假设沿草原边界点火。火线以相同的速度向区域中心推进。区域的MAT是同一时间多个火线到达点的集合。尽管一个区域的MAT会生成直觉上令人满意的骨架，但直接实现这一定义需要大量的计算。实现涉及计算每个内部点到一个区域边界上的每个点的距离。通常，这些算法是迭代删除一个区域的边界点的细化算法，删除这些点时要满足如下约束：（1）不能删除端点（2）不能破坏连接性（3）不能导致区域的过度腐蚀

  

图像骨架提取，实际上就是提取目标图像上的中心像素，也叫图像细化。

而图像细化主要针对二值图像或用阈值处理的图像。二值图像很容易理解，非黑即白，在二值图像中，我们用0表示黑，1表示白；那在图像处理中，阈值，是什么意思呢？阈值又叫临界值，设定一个阈值之后，以此为标准，凡是比该值大的颜色就会转换成白色，低于该值的颜色就会转换成黑色，所以最后的结果是得到一张黑白的图片。

一般细化之后的目标都是单层像素的宽度，从目标向外围向目标中心，用待检测像素为中心像素窗口，对目标不断腐蚀细化，直至腐蚀到不能腐蚀，即腐蚀到单层像素宽度，就得到了图像的骨架。

注意：  我之前狭隘的理解，图像骨架提取，是只能对图像中的人体骨架及逆行提取，其实，骨架提取只是对图像的细化，在查阅资料的过程中，书中距离提取染色体的骨架，这个时候发现自己对图像骨架提取这一名词的理解附加了自己的想象，它不是只能提取骨架，它是对图像的细化。细化是从原来的图中去掉一些点，但仍要保持原来的形状。

 

 

 

 

 

引用博文连接：

https://blog.csdn.net/zhubaohua_bupt/article/details/76850555

https://blog.csdn.net/FunnyWhiteCat/article/details/80670332?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.control&dist_request_id=1328680.21241.16162018349308525&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.control

https://blog.csdn.net/hust_bochu_xuchao/article/details/51889237

https://blog.csdn.net/lu597203933/article/details/14397605

https://blog.csdn.net/x_quiet/article/details/81486200

https://blog.csdn.net/lanlanrening/article/details/97248664

https://blog.csdn.net/qq_44322405/article/details/98207440

https://blog.csdn.net/xiyangxiaoguo/article/details/106188198

https://github.com/search?l=Python&p=2&q=%E9%AA%A8%E6%9E%B6%E6%8F%90%E5%8F%96&type=Code

https://blog.csdn.net/sy95122/article/details/80815890

https://blog.csdn.net/weixin_34343308/article/details/93796459

https://www.csdn.net/tags/MtTaIg1sMzE2MTktYmxvZwO0O0OO0O0O.html

https://blog.csdn.net/hehedadaq/article/details/80303218?utm_term=python%E7%BB%86%E5%8C%96%E7%AE%97%E6%B3%95&utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~sobaiduweb~default-2-80303218&spm=3001.4430

https://blog.csdn.net/wsp_1138886114/article/details/101050825?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_utm_term-0&spm=1001.2101.3001.4242

https://blog.csdn.net/hehedadaq/article/details/80303218

https://blog.csdn.net/weixin_45875105/article/details/114843451?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~aggregatepage~first_rank_v2~rank_aggregation-1-114843451.pc_agg_rank_aggregation&utm_term=python+%E7%BB%86%E5%8C%96%E7%AE%97%E6%B3%95&spm=1000.2123.3001.4430

http://www.voidcn.com/article/p-zxignune-xv.html

https://blog.csdn.net/Ibelievesunshine/article/details/105068020?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-4.control&dist_request_id=1328680.24902.16162289811191217&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-4.control

https://blog.csdn.net/weixin_34343308/article/details/93796459