形态学及其他集合运算(Morphological and Other Set Operations)

摘    要：本实验主要实现形态学图像处理。主要验证图像集合的交并补运算、膨胀和腐蚀处理并利用图像集合的运算，实现形态学边界抽取算法并进行特征边界抽取。同时将膨胀和腐蚀扩展至灰度图像，编写函数实现灰度图像形态学梯度公式和Tophat变换公式，最后对形态学梯度变换和Tophat变换后的输出图像进行比较。

1 形态学

形态学(motphology)一词通常代表生物学的一个分支。它是研究动物和植物的形态和结构的学科。我们在这里使用同一词语表示数学形态学的内容，将数学形态学(mathenmfical  morphology)作为工具从图像中提取对于表达和描绘区域形状有用处的图像分量，比如边界、骨架以及凸壳，等等。我们对用于预处理或后处理的形态学技术同样感兴趣，比如形态学过滤、细化和修剪等等。

数学形态学的语言是集合论。同样，形态学为大量的图像处理问题提供了一种一致的有力方法。数学形态学中的集合表示图像中的不同对象。例如，在二值图像中，所有黑色像素的集合是图像完整的形态学描述。在二值图像中，正被讨论的集合是二维整数空间 (P)的元素，在这个二维整数空间中，集合的每个元素都是一个多元组(二维向量)，这些多元组的坐标是一个黑色(或白色，取决于事先的约定)像素在图像中的坐标(x,y)。灰度级数字图像可以表示为Z空间(Z3)上分量的集合。在这种情况下，集合中每个元素的两个分量是像素的坐标，第3个分量对应于像素的离散灰度级值。更高维度空间中的集合可以包含图像的其他属性，比如颜色和随时间变化的分量。

2 图像的逻辑运算

       很多应用是以形态学概念为基础的，并涉及二值图像。逻辑运算尽管本质上很简单，但对于实现以形态学为基础的图像处理算法是一种有力的补充手段。本实验中，我们关注的是涉及二值图像和灰度图像的逻辑运算。

       在图像处理中用到的主要逻辑运算是：与、或和非(即交并补)。图1中总结了这些运算的性质。这些运算在功能上是完善的。它们可以互相组合形成其他逻辑运算。

图1 主要的逻辑运算

       在两幅或多幅图像的对应像素间逐像素进行逻辑运算(除了“非”运算，此运算只对单一图像的像素进行)。因为只有在两个变量都是1时，两个二进制变量的“与”运算才为1，所以只有两幅输人图像的对应像素均为1时，“与”运算的结果才是1。图2显示了涉及图像逻辑运算的不同例子。这里，黑色表示1，而白色表示0（这里使用两种约定的说法，有时会颠倒黑色和白色二值的意义，取决于在给定情况下哪种表达更清楚。使用图1中的定义构造其他的逻辑运算很容易。例如，异或运算是当两个像素的值不同时结果为1，否则为0。这种运算与“或”运算不同。“或”运算在两个像索有一个为1或两个均为1时结果为1。

图2 图像逻辑运算

3 二值图像膨胀与压缩

二值图像膨胀：设A和B是(Z2)中的集合，A被B膨胀定义为：

       这个公式是以得到B的相对于它自身原点的映像并且由z对映像进行位移为基础的。A被占膨胀是所有位移z的集合，这样，B和 A至少有一个元素是重叠的。与在其他形态学运算中一样，集合B通常叫做膨胀的结构函数。

二值图像压缩：对Z中的集合A和B，使用B对A进行腐蚀定义为：