数字图像处理（第三版）第9章 形态学图像处理

预备知识

在二值图像中，集合是二维整数空间$Z^2$的元素，在该空间中，集合的每个元素都是一个多元组，这些多元组的坐标是图像中某个像素的坐标（x，y）.
一个集合$B$的反射表示为$\hat{B}$，定义如下：
B ^ = { w ∣ w = − b , b ∈ B } \widehat{B} = \{ w \mid w = - b,b \in B\} B ={w∣w=−b,b∈B}
如果$B$是描述图像中物体的像素集合，则$\hat{B}$是$B$中坐标（x,y）被（-x,-y）代替的点的集合。下图显示了一个集合及其反射。

腐蚀和膨胀

腐蚀

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 = \left\{ {z \mid {\left( B\right) }_{z} \subseteq A}\right\} A⊖B={z∣(B)z​⊆A}
上式表明B对A的腐蚀是一个用z平移的B包含在A中的所有点z的集合。
腐蚀操作的数学表达通常是对图像和结构元素进行卷积运算，结构元素是一个小的形状（如矩形、圆形等），用于定义腐蚀的效果。
腐蚀操作可以理解为将图像中的物体边缘向内侵蚀，使得物体的边界变得更加平滑。它通常用于消除图像中小于结构元素的物体或者细小的细节，从而可以减少噪声或分离物体。

应用
如果有一个二值图像，表示一组白色的圆形在黑色背景上，应用一个5x5的矩形结构元素进行腐蚀操作，结果会是所有白色圆形缩小了。在实际应用中，腐蚀可用于去除图像中的小物体或连接体。

膨胀

$A$ 和$B$ 是$Z^2$中的集合，表示为$A\oplus B$的B对A的膨胀定义为$$A\oplus B=\left\{z\mid {\left(\hat{B}\right)}_z\cap A\ne \varnothing \right\}$$
上式是以B关于它的原点的映像，并且以z对映像进行平移为基础。
膨胀操作与腐蚀相反，它用来增加图像中物体的边界或大小。通过结构元素的卷积，膨胀可以扩展物体的边界，使其更加明显或者填充物体内部的空隙。
膨胀操作通常用于连接物体的间隙或者增强物体的大小，使其更容易检测或识别。

应用
如果有一个二值图像，表示一组白色的圆形在黑色背景上，应用一个5x5的矩形结构元素进行膨胀操作，结果会是所有白色圆形变大或者合并。在实际应用中，膨胀可以用于填充图像中的空洞或连接相邻物体。

对偶性

腐蚀与膨胀关于集合求补运算和反射运算是对偶的，即$${\left(A\ominus B\right)}^c=A^c\oplus \hat{B}$$
和$${\left(A\oplus B\right)}^c=A^c\ominus \hat{B}$$
上面式子说明，B对A的腐蚀是$\hat{B}$对$A^c$的膨胀的补，反之亦然。

开操作与闭操作

开操作一般会平滑物体的轮廓、断开较窄的狭颈并消除较细的突出物。闭操作同样能平滑物体轮廓的一部分，但与开操作相反，它通常会弥合较窄狭颈的间断和细长的沟壑，消除小的孔洞，填补轮廓线中的断裂。
B对A的开操作，定义如下$$A\circ B=\left(A\ominus B\right)\oplus B$$
因此，B对A的开操作就是B对A的腐蚀，紧接着用B对结果进行膨胀。
类似，B对A的闭操作定义如下$$A\cdot B=\left(A\oplus B\right)\ominus B$$
说明B对A的闭操作就是简单用B对A膨胀，紧接着用B对结果进行腐蚀。

击中或击不中变换

击中变换是一种形态学操作，用于检测图像中与给定模式完全匹配的像素。相反，不击中变换用于检测图像中与给定模式不匹配的像素。
击中变换：
击中变换旨在检测图像中与两种模式完全匹配的像素点。这两种模式分别被称为前景模式和背景模式。这种操作通常用于二值图像中，其中前景模式和背景模式都是由二值像素（通常是黑色和白色）组成的小区域。
工作原理：

1.对于给定的二值图像，击中变换需要两个结构元素：一个表示前景模式（P），一个表示背景模式（M）。
2.当且仅当图像中某一位置处的像素能够与前景模式P匹配，并且与背景模式M也匹配时，该位置的像素才会被保留（设为前景）。否则，该位置的像素将被设为背景。
示例：
假设有一个二值图像，如下所示：

0 0 0 0 0 0 0
0 1 1 1 0 0 0
0 1 1 1 1 0 0
0 1 1 1 1 0 0
0 0 0 0 0 0 0
我们定义两个结构元素：

前景模式P：
1 1 1
1 1 1
背景模式M：
0 0 0
0 0 0
应用击中变换时，只有当图像中存在完全由1组成的3x3区域（前景模式P）时，该区域中心的像素才会被保留，其他位置被设为背景。在上述示例中，只有中间的3x3区域符合前景模式P，因此击中变换后的结果会是：

0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 1 1 0 0 0
0 0 1 1 0 0 0
0 0 0 0 0 0 0
不击中变换：
不击中变换用于检测图像中与给定的模式不匹配的像素点。也需要两个结构元素：前景模式（P）和背景模式（M）。不击中变换的结果与击中变换相反，只有当图像中某一位置的像素与前景模式P不匹配，或者与背景模式M匹配时，该位置的像素才会被保留（设为前景）。

示例：
继续以上示例，假设我们定义的前景模式P和背景模式M分别为：

前景模式P：
1 0 1
0 1 0
背景模式M：
0 0 0
0 0 0
应用不击中变换时，只有当图像中存在与前景模式P不完全匹配的3x3区域时，该区域中心的像素才会被保留，其他位置被设为背景。在上述示例中，只有中间的3x3区域不完全符合前景模式P，因此不击中变换后的结果会是：

0 0 0 0 0 0 0
0 1 1 1 0 0 0
0 1 1 1 1 0 0
0 1 1 1 1 0 0
0 0 0 0 0 0 0
总结来说，击中变换和不击中变换是形态学操作中的重要概念，它们可以帮助检测图像中特定的模式或者反模式，从而用于图像分割、特征提取等应用中。

一些基本的形态学算法

边界提取

表示为$\beta \left( A\right) $的集合A的边界可以通过先用B对A腐蚀，然后用A与腐蚀结果集合之差得到，即

$$\beta \left(A\right)=A-\left(A\ominus B\right)$$
下图显示了相关操作流程

孔洞填充

该算法旨在识别并填充图像中的空洞或孔洞，使其成为连通的区域。
工作原理：

1.孔洞识别：
首先，算法会识别图像中的孔洞。孔洞通常指的是由于对象内部或者对象间隙导致的非连通区域，这些区域被视为背景。

2.连通性分析：
一旦识别出孔洞，算法会分析孔洞的形状、大小和位置。通常，孔洞被描述为由背景像素包围的前景区域（对象的一部分），但是内部没有前景像素。

3.填充孔洞：
填充孔洞的方法可以是基于像素的方法或者基于形态学操作：

基于像素的方法：简单的方法是扫描整个图像，找到与背景相连但是内部没有前景像素的区域，并将这些像素设为前景。这种方法可以直接修改图像的像素值。
形态学操作：形态学操作如闭运算（closing）通常用于填充孔洞。闭运算先进行膨胀（dilation），然后进行腐蚀（erosion），可以有效地填充小孔洞和裂缝。
示例：
考虑以下简单的二值图像示例：

0 0 0 0 0 0
0 1 1 1 1 0
0 1 0 0 1 0
0 1 0 0 1 0
0 1 1 1 1 0
0 0 0 0 0 0
在这个图像中，中间有一个正方形的孔洞（被0包围的1组成的区域）。孔洞填充的过程可以如下进行：

1.孔洞识别：确定孔洞的位置和边界。

2.填充操作：

使用形态学闭运算来填充孔洞。闭运算的步骤是先进行膨胀操作，使孔洞区域的边界向外扩展，然后进行腐蚀操作，使边界重新回到原始位置，但孔洞内部被填充。在上述图像中，应用闭运算可以将孔洞填充，得到如下结果：
0 0 0 0 0 0
0 1 1 1 1 0
0 1 1 1 1 0
0 1 1 1 1 0
0 1 1 1 1 0
0 0 0 0 0 0
孔洞被成功填充，使得图像中的前景区域成为一个连通的整体。

连通分量的提取

连通分量的提取是指将图像中具有相同性质（如灰度值、颜色或其他特征）且彼此相互连接的像素点组成的区域提取出来的过程。具体操作流程参考下图

凸壳

如果在集合A内连接任意两个点的直线段都在A的内部，则称A是凸行的。任意集合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。
凸壳指的是包围一组点集的最小凸多边形或凸多面体，其中每个顶点都是点集中的某个点或点集的边界上的点。
应用
1.图像分割：将图像中的每一个像素点看作一个点，通过对这些点进行凸包计算来得到图像的边界。
2.形态学处理：例如删除或扩展图像边缘等操作，以改善图像的形状或轮廓。
3.图形识别：在每个图形中提取出边缘点、角点等信息，然后对这些信息进行凸包计算，从而得到图形的信息，进一步进行模式识别等操作。

细化

结构元B对集合A的细化定义如下$$A\otimes B=A-(A⊛B)=A\cap (A⊛B{)}^c$$具体操作流程如下图所示

粗化

定义：粗化是减少图像细节的过程，旨在消除噪声、减少图像复杂度或提取大尺度特征。
公式表示为$A\cdot B=A\bigcup (A⊛B)$
目的：通过减少图像中的不必要细节，粗化有助于突出图像的主要结构或特征，便于后续的图像分析和处理。
实现方法
1.腐蚀操作：使用一个小结构元素（SE）扫描图像，移除边界内的所有像素，从而减小物体的尺寸。这一操作减少了图像的细节，使图像变得更为粗糙。
2.闭运算：闭运算是先腐蚀后膨胀的操作，它可以在连接小的断开部分的同时，保留大物体的形状。虽然闭运算本身不完全等同于粗化，但它可以在一定程度上实现粗化的效果。
下图说明了粗化的过程：

灰度级形态学

灰度级形态学中的结构元与二值形态学中对于功能相同：它们负责检验一幅给定的图像。其中有两类，分别是非平坦的和平坦的结构元。下图显示了每一类的一个例子。

a图显示了一个半球状的灰度级结构元。b图显示其平坦结构元。c图是一个通过其中心的水平灰度剖面。d图是其对应的灰度剖面。

一些基本的灰度级形态学算法

形态学平滑
形态学平滑主要用于去除图像中的噪声，同时保持图像边缘的平滑性。基本思想是将图像与结构元素进行形态学操作，如膨胀和腐蚀。常见的平滑方法包括：
开运算：先腐蚀后膨胀。这一过程可以消除小的物体（噪声）而保留较大物体的形状。
闭运算：先膨胀后腐蚀。它有助于填补图像中小的空洞或间隙。
通过组合开运算和闭运算，可以实现不同程度的平滑效果。

形态学梯度
形态学梯度用于检测图像的边缘。它的计算由膨胀和腐蚀两个操作构成。形态学梯度突出显示了图像的边缘部分，因为边缘通常在膨胀和腐蚀之间会表现出显著的差异。
具体案例参考下图

顶帽变换和底帽变换
图像相减与开操作和闭操作相结合，会产生顶帽与底帽变换。主要应用之一是用一个结构元通过开、闭操作从一幅图像中删除物体，也可用于校正不均匀光照的影响。

粒度测定
粒度测定是一种分析图像中颗粒的大小和形状分布的技术。它涉及使用不同大小的结构元素对图像进行多次闭运算（或开运算），并统计每个结构元素的响应结果。通过研究目标物体的形态特征，得出颗粒的大小分布信息。粒度测定广泛应用于材料科学、医学图像分析等领域。

纹理分割
纹理分割涉及根据图像的纹理特征将图像分成有意义的区域。一般方法包括使用形态学操作，如形态学梯度、开闭运算等，提取纹理特征，然后通过聚类或分类算法将不同的纹理区域分开。形态学操作有助于增强图像的局部结构，从而使纹理分割更加准确和有效。

灰度级形态学重建

灰度级形态学重建是一种基于形态学的图像处理技术，主要用于恢复或增强图像中的结构。在图像分析和处理领域，形态学重建通常应用于噪声去除、图像分割、目标提取和特征增强等任务。这项技术尤其适合于处理带有噪声或缺失部分的图像。
基本概念
灰度级形态学重建的基本思想是使用形态学操作（如膨胀和腐蚀）来重建一个基础图像（重建目标），通常基于一个标记图像（重建种子）。重建过程通过不断膨胀种子图像，直到其达到源图像的特征为止。
主要步骤
形态学重建通常包括以下几个步骤：
种子图像的选择：种子图像是我们用来指导重建过程的图像，通常可以是经过处理后的二值图像或灰度图像。它表示了希望恢复的图像区域或结构。
源图像的准备：源图像是我们用来限制重建过程的图像，包含待恢复的图像信息。我们希望重建的图像不会超出这个源图像的灰度值。
重建过程：
重建过程通过以下的结构性迭代进行。
膨胀（Dilation）：对种子图像进行膨胀，将其扩展到邻域的像素。
保持（Keep）：对膨胀后得到的图像与源图像进行比较，只保留那些在源图像中仍然存在的区域。
将这个过程重复进行，直至重建的图像不再变化（即达到稳定状态）。