本文介绍了二值图像的形态学处理，包括边缘提取、区域填充、骨架提取和细化四个部分。边缘提取通过腐蚀和膨胀得到内、外边缘及形态学梯度；区域填充以边界像素为基础填充感兴趣区域；骨架提取用于突出目标形状和减少冗余信息；细化过程将图像轮廓细化为单像素宽的骨架，揭示图像拓扑结构。
1.边缘提取
物体的边缘是图像的基本特征，提供了物体形状的重要信息。利用形态学进行边缘提取的基本思想是：用一定的结构元素对目标图像进行形态学处理，在将处理后的结果与原图像相减。根据所用形态学运算的不同，可以得到二值图像的内边缘、外边缘和形态学梯度3种边缘。内边缘可用原图像减去腐蚀后的图像得到；外边缘可用图像膨胀结果减去原图像得到；形态学梯度可用图像的膨胀结果减去图像的腐蚀结果得到。
另目标图像A的内边缘、外边缘和形态学梯度分别为 β 内 ( A ) \beta_{内}(A) β内(A)、 β 外 ( A ) \beta_{外}(A) β外(A)、 β 梯 度 ( A ) \beta_{梯度}(A) β梯度(A)，则其定义为
β 内 ( A ) = A − ( A ⊖ B ) β 外 ( A ) = ( A ⊕ B ) − A β 梯 度 ( A ) = A ⊕ B ) − ( A ⊖ B ) \beta_{内}(A) = A - (A\ominus B) \\ \beta_{外}(A) = (A\oplus B) - A \\ \beta_{梯度}(A) = A\oplus B) - (A\ominus B) β内(
最低0.47元/天 解锁文章
2866
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
