数字图像处理 第九章——形态学图像处理

1 腐蚀和膨胀

1.1 腐蚀

作为$Z^2$中的集合A和B，表示为$A\ominus B$的B对A的腐蚀定义为：
A ⊖ B = { z ∣ ( B ) z ⊆ A } A\ominus B=\{z|(B)_z\subseteq A\} A⊖B={z∣(B)z​⊆A}
通俗来讲是一个用z平移的B包含在A中所有的点z的集合。B必须包含在A中，B不与背景共享任何公共元素，也可以表示为 A ⊖ B = { z ∣ ( B ) z ∩ A c = ⊘ } A\ominus B=\{z|(B)_z\cap A^c=\oslash \} A⊖B={z∣(B)z​∩Ac=⊘}，其中$A^c$是A的补集。

腐蚀缩小细化了二值图像中的物体。可以看成是形态学滤波操作，将小于结构元的图像细节从图像中滤除。

import cv2
import numpy as np
#读入图像
img = cv2.imread(‘c:\jimei.jpg’, cv2.IMREAD_GRAYSCALE)# 定义结构元素
kernel = np.ones((5,5), np.uint8)
#执行腐蚀操作
erosion = cv2.erode(img, kernel, iterations=1)
#显示结果
cv2.namedWindow(‘img’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘img’, 800, 600)
cv2.namedWindow(‘corrode’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘corrode’, 800, 600)
cv2.imshow(‘img’,img)
cv2.imshow(‘corrode’,erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.2 膨胀

作为$Z^2$中的集合A和B，表示为$A\oplus B$的B对A的膨胀定义为：
A ⊕ B = { z ∣ ( B ~ ) z ∩ A ≠ ⊘ } A\oplus B=\{z|(\tilde B)_z\cap A\ne \oslash \} A⊕B={z∣(B~)z​∩A=⊘}
B关于它的原点的映像，并且以z对映像进行平移为基础的。B对A的膨胀是所有位移z的集合。$\tilde{B}$与A至少有一个元素是重叠的。公式可写为：
A ⊕ B = { z ∣ [ ( B ~ ) z ∩ A ] ⊆ A } A\oplus B=\{z|[(\tilde B)_z\cap A]\subseteq A \} A⊕B={z∣[(B~)z​∩A]⊆A}
膨胀以集合操作为基础，是非线性操作，卷积是线性操作。

膨胀“增长粗化”二值图像中的物体，粗化的宽度由结构元控制。

import cv2
import numpy as np
#读入图像
img = cv2.imread(‘c:\jimei.jpg’, cv2.IMREAD_GRAYSCALE)
#定义结构元素
kernel = np.ones((5,5), np.uint8)
#执行膨胀操作
erosion = cv2.dilate(img, kernel, iterations=1)
#显示结果
cv2.namedWindow(‘img’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘img’, 800, 600)
cv2.namedWindow(‘expand’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘expand’, 800, 600)
cv2.imshow(‘img’,img)
cv2.imshow(‘expand’,erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.3 对偶性

B对A的腐蚀是$\tilde{B}$对$A^c$的膨胀的补，反之亦然。结构元关于其原点对称时，对偶性就很有用了。

1.4 开操作和闭操作

开操作一般会平滑物体的轮廓、断开较窄的狭颈并消除细的突出物。闭操作同样也会平滑轮廓的一部分，但与开操作相反，它通常会弥合较窄的间断和细长的沟壑，消除小的孔洞，填补轮线中的断裂。

结构元B对集合A的开操作，表示为$A\circ B=(A\ominus B)\oplus B$，B对A的开操作就是B对A的腐蚀，然后用B对结果进行膨胀。

结构元B对集合A的闭操作，表示为$A\bullet B=(A\oplus B)\ominus B$，B对A的闭操作就是B对A的膨胀，然后用B对结果进行腐蚀。

开操作代码：

import cv2
import numpy as np
#读入图像
img = cv2.imread(‘d:\kai1.png’, cv2.IMREAD_GRAYSCALE)
#定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
opened1 = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel,iterations=3)
#显示结果
cv2.namedWindow(‘img’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘img’, 800, 600)
cv2.namedWindow(‘result’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘result’, 800, 600)
cv2.imshow(‘img’,img)
cv2.imshow(‘result’,opened1)
cv2.waitKey(0)
cv2.destroyAllWindows()

闭操作代码

import cv2
import numpy as np
#读入图像
img = cv2.imread(‘c:\he.png’, cv2.IMREAD_GRAYSCALE)
#定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
closed = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel,iterations=3) #闭运算1
#显示结果
cv2.namedWindow(‘img’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘img’, 800, 600)
cv2.namedWindow(‘result’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘result’, 800, 600)
cv2.imshow(‘img’,img)
cv2.imshow(‘result’,closed)
cv2.waitKey(0)
cv2.destroyAllWindows()

结论：图像内的断点明显被弥合了。

1.5 击中或击不中变换

下列三个公式称为形态学击中或击不中变换
$A\star B=(A\ominus D)\cap [A^c\ominus (W-D)]$
$A\star B=(A\ominus B_1)\cap (A^c\ominus B_2)$
$A\star B=(A\ominus B_1)\cap (A^c\oplus {\tilde{B}}_2)$

2 形态学算法

• 边界提取
  先用B对A进行腐蚀，腐蚀的结果是A的边界被“消除 ”，再用A的原图减去被腐蚀的A，就得到了被腐蚀的边界。
  $\beta (A)=A-(A\ominus B)$

import cv2
import numpy as np
#读入图像
img = cv2.imread(‘c:\he.png’, cv2.IMREAD_GRAYSCALE)
#定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))
dilate_img = cv2.dilate(img, kernel)
erode_img = cv2.erode(img, kernel)
absdiff_img = cv2.absdiff(dilate_img,erode_img);
retval, threshold_img = cv2.threshold(absdiff_img, 40, 255, cv2.THRESH_BINARY);
result = cv2.bitwise_not(threshold_img);
#显示结果
cv2.namedWindow(‘img’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘img’, 800, 600)
cv2.namedWindow(‘result’, cv2.WINDOW_NORMAL)
cv2.resizeWindow(‘result’, 800, 600)
cv2.imshow(‘img’,img)
cv2.imshow(‘result’,result)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 孔洞填充
  先找孔洞的一个点，用结构元去膨胀，然后用原图像的补集进行约束，求个交集，不断重复膨胀，约束直至图形不改变（就停止，与原图求个交集。
  $X_k=(X_{k-1}\oplus B)\cap A^c$

• 连通分量的提取
  每一个连通分量就是一个物体，识别出图像中各个物体，就是要提取出一个个连通分量。
  $X_k=(X_{k-1}\oplus B)\cap A$

• 凸壳
  集合A内连接任意两个点的直线段都在A的内部，称集合A是凸形的。任何集合S的凸壳H是包含于S的最小凸集。集合差H-S称为S的凸缺。凸壳和凸缺对于物体买哦会很有用。
  令$B^i,i=1,2,3,4$表示4个结构元
  $X_K^i=(X_{K-1}\star B^i)\cup A$
  其中$X_0^i=A$当$X_k^i=X_{k-1}^i$，令$D^i=X_k^i$，则A的凸壳为：
  $C(A)={\bigcup }_{i=1}^4{D}^i$

• 细化
  减少图像中的线宽，去除毛刺等干扰噪声，提高图像质量
  结构元B对集合A的细化可表示为$A\otimes B$,可以根据击中或击不中变换定义：
  $A\otimes B=A-(A\star B)=A\cap (A\star B{)}^c$

• 粗化
  细化的形态学对偶，定义为：
  $A\bullet B=A\cup (A\star B)$
  粗化集合A，先形成$C=A^c$,然后细化C,最后求$C^c$。

• 骨架
  骨架是指一个物体的的中心线和轴线，骨架提取的基本思想是将物体的边界向内收缩，直到物体被压缩成一条线或点。这条线或点就是物体的骨架。
  A的骨架可以使用腐蚀和开操作表达，可以表示为：$S(A)={\bigcup }_{k=0}^K{S}_k(A)$
  其中，$S_k(A)=(A\ominus kB)-(A\ominus kB)\circ B$
  $A\ominus kB$表示对A的连续k次腐蚀。

• 裁剪
  细化和骨架提取过程中会保留某些寄生分量，裁剪就是来清楚这些寄生分量的，用于去除毛刺。

• 形态学重建
  涉及两幅图像和一个结构元，一幅图像是标记，包含变换的起始点，另一幅图像是模板，约束该变换。结构元用来定义连接性。将一个结构元在图像中进行膨胀或腐蚀操作。

3 灰度级形态学

将腐蚀，膨胀，开操作和闭操作的基本操作扩展到灰度级图像。

• 形态学平滑
  开操作抑制比结构元小的亮细节，闭操作抑制暗细节，通过开闭操作实现图像平滑和噪声去除。

• 形态学梯度
  腐蚀和膨胀可与图像相减结合起来得到一幅图像的形态学梯度$g=(f\oplus b)-(f\ominus b)$。膨胀是粗化图像中的区域，腐蚀是细化图像中的区域，两者相减则得到了区域的边界。

• 顶帽变换和底帽变换
  图像相减与开操作与闭操作相结合，会产生所谓的Top-hat（顶帽）变换和bottom-hat(底帽）变换。
  灰度级图像$f$顶帽变换定义为$f$减去其开操作：
  $T_{hat}(f)=f-(f\circ b)$
  灰度级图像$f$底帽变换定义为$f$的闭操作减去$f$：
  $B_{hat}(f)=(f\bullet b)-f$

• 粒度测定
  判断图像中颗粒的尺寸分布。对于比背景亮且具有规则形状的颗粒，该方法由使用逐渐增大的结构元对图像执行开操作组成。