小白学习图像处理9——形态学图像处理

一、膨胀与腐蚀

1. 结构元SE

  形态学图像处理中，通常会选择一个类似空域模板的结构，称之为结构元 SE（Morphological structuring element），下图列举了四种结构元，中央的黑点表示结构元的中心（结构元的中心会影响形态学处理后的结果）

在matlab中预先定义了很多种结构元，可以自定义需要的形状，如'disk', 'square', 'diamond' 等，此外形状的相关参数如半径、边长等都可以设置

举个例子：

SE = strel('square', 3);
SE.Neighborhood

得到的输出如下（一个 3 x 3 的正方形结构元），也就是上面说到的第二个结构元：

ans =
     1     1     1
     1     1     1
     1     1     1

---

2. 腐蚀 Erosion

  用结构元B腐蚀A的定义为：

  即图像B移动距离z，使得B仍然包含于A的所有z构成的集合。有点绕口，简单来说，可以理解为：结构元B在图像A给定的范围内运动（B不越过边界），结构元B的中心可以到达的所有点。腐蚀会使图像整体轮廓减小，类似于一块大小为B的橡皮擦擦去了图像A边缘上的一圈。

matlab中腐蚀操作函数为：imerode(A, SE)
举个例子：用半径大小不同的圆形结构元腐蚀图片（注意线条）

A = imread('wirebond_mask.tif');
se = strel('disk', 5);	% r = 5
A2 = imerode(A, se);
se = strel('disk', 10);	% r = 10
A3 = imerode(A, se);
se = strel('disk', 20);	% r = 20
A4 = imerode(A, se);
figure
subplot(221), imshow(A)
subplot(222), imshow(A2)
subplot(223), imshow(A3)
subplot(224), imshow(A4)
set(gcf, 'color', [1 1 1])

结果如下：

---

3. 膨胀 Dilation

  膨胀 dilate 操作于腐蚀相反，结构元B对A的膨胀定义为：

膨胀操作将图像的轮廓扩大，可以理解为：结构元B在图像A外面紧贴着图像A运动，结构元扫过的面积就算图像A膨胀的面积。膨胀

matlab里膨胀函数为：imdilate(A, SE)
举个例子：

A = imread('man.tif');
se = strel('disk', 10);
A2 = imdilate(A, se);
figure
subplot(121), imshow(A)
subplot(122), imshow(A2)
set(gcf, 'color', [1 1 1])

结果如下：它膨胀了，白色区域变大了

---

二、开操作与闭操作

开操作和闭操作都是膨胀腐蚀的结合，只是膨胀腐蚀运算的先后顺序不同

1. 开操作

结构元B对A的开操作定义为：

先腐蚀后膨胀，可以平滑轮廓、断开较窄的缝，消除突出物 和 分开两个挨得近的物体

matlab里开操作为：imopen(A, SE)

2. 闭操作

结构元B对A的开操作定义为：

  先膨胀后腐蚀，效果与开操作相反，闭操作可以修补较窄的沟壑，消除孔洞，填补裂缝 和 衔接挨得近的两个物体。

matlab里闭操作为：imclose(A, SE)

举个例子：

A = imread('fingerprint.tif');
SE = strel('diamond', 1);
B = imopen(A, SE);
C = imclose(A, SE);
figure
subplot(131), imshow(A)
title('original')
subplot(132), imshow(B)
title('open')
subplot(133), imshow(C)
title('close')

效果如下：作图为原始指纹图（携带了噪声），开操作由于先腐蚀，所以可以去掉噪点，闭操作导致指纹直接产生了粘连

---

三、简单应用——数米粒

1. 思路

给出下面的图，问题：图中多少粒米？

问题：是不是需要用函数 im2bw 先二值化？
解答：由于图片上面白，下部分黑，直接二值化很难精准的分离背景和米粒，阈值难以选取。最好的办法是先得到背景图，用原图减去背景图得到米粒（消除背景的不均匀性），再进行二值化

问题：如果实现了米粒和背景的分离，如何计算米粒数目？
解答：可以使用 bwlabel 函数标注不同的连通分量（每一粒米所有像素点的集合就算一个连通分量），从而实现计数

步骤

• 获取背景图，分离出米粒
• 对图像进行二值化
• 使用 bwlabel 函数对米粒计数

2. 程序

1、获得图像的背景，分离出米粒：

A = imread('rice.tif');
figure, subplot(221), imshow(A), title('原图')

se = strel('disk', 100);
BG = imopen(A, se);     % background
subplot(222), imshow(BG), title('背景')

B = imsubtract(A, BG);
subplot(223), imshow(B), title('原图 - 背景')

BW = im2bw(B, graythresh(B));
subplot(224), imshow(BW), title('二值化的米粒')
set(gcf, 'color', [1 1 1])

其实也可以使用函数 imtophat 一步消除背景的不均匀：

A = imread('rice.tif');
se = strel('disk', 100);
B = imtophat(A, se);   % 戴顶帽
BW = im2bw(B, graythresh(B));
figure, imshow(BW)
title('二值化的米粒')

上面两种代码效果一样，结果如下：

2、计算连通分量数目
  使用bwlabel函数计算连通分量的数目，返回值num就算米粒的数目，返回值L是一个矩阵，矩阵中每一个连通分量都用不同的数字标记了

[L, num] = bwlabel(BW, 8);
figure, imshow(B)
set(gcf, 'color', [1 1 1])
figure, imshow(BW)
title(strcat('Number of rice : ', num2str(num)), 'fontsize', 15)
set(gcf, 'color', [1 1 1])

效果入下，检测出81粒米：

---

完结~
以上是形态学处理的基础内容，还有一些比较复杂的形态学处理算法，后面补上🤭