matlab 图像二值化_数字图像处理DIP_5_粒子测度

DIP第五章作业

对图像Chapter5_1.bmp，计算粒子大小分布，并画出分布图

Chapter5_1

提示：

1)选择合适的开运算结构元大小及增量步长，结构元取元素全为1的正方形结构元

2)原始图像与图像开运算后相减后，还要做灰度阈值处理，只考虑哪些灰度差足够大的区域

3)分布频率对应于灰度显著变化的区域的面积除以结构元大小（3*3,5*5,…)

可用自动或手动方法排除背景干扰（即去掉自动评测的区域）！

某一尺度下的WTH将保留比该尺度小的所有亮细节，要想得到单一尺度的亮细节，应该把比它小的细节都减去。比如WTH(n)- WTH(n-2)保留的就是尺度介于n到n-2的亮细节 （比如尺度n是(2n+1)*(2n+1)的结构元！）

---

软件平台

Python3.6 + OpenCV4.4.0

实验步骤

已知，顶帽变换可用于获取暗背景上的亮物体，首先对原始实验图像进行开操作，从一副图像中删除小于结构元的物体；然后通过作差得到面积小于结构元且比周围亮的区域。公式如下：

通过MATLAB查看Chapter5_1.bmp文件的具体数值，我们发现其最右边两列像素均为255的高值，这些无关场景对我们进行阈值分割产生了重要影响，因此对图像进行裁剪的预处理。即去除右边两列像素后，才便于得到自适应的灰度阈值处理的结果。

将处理后的图像作白顶帽变换。OpenCV中可用于该处理的函数为：

dst = cv.morphologyEx(src, op, kernel, dst, anchor, iterations, borderType, borderValue)

op为形态学操作的类型，白顶帽变换选择op=cv.MORPH_TOPHAT

将图像白顶帽变换的结果作差，得到单一尺度的亮细节。比如说WTH(n)- WTH(n-2)保留的尺度介于n到n-2的亮细节。该亮细节作为我们筛选某一尺寸下的粒子分布的参考具有重要意义，如果单纯地对差值图像进行简单的自适应灰度阈值处理，如下图所示，使用OTSU方法得到二值化的差值图像，为了便于理解，再将此蒙版与原图相乘。

图 1.单一尺度亮细节和原图蒙版

从图像中可以看到，OTSU的灰度阈值处理，不能很好地反映灰度差足够大的区域，比如说尺度3×3的区域保留的太多，前后两个尺寸灰度差的区域也保留过多，甚至只要有灰度差，都被保留下来。这样是不利于粒子测度的，首先就是单一尺寸粒子计算数目过多，并且也会导致不同尺寸下的重复计数。

根据观察差值图像的直方图分布得到的经验知识，将二值化的阈值定为20

图 2.亮细节和原图蒙版(固定阈值20)

如上图所示，当灰度二值化阈值设定为20时，尺度3×3的显著亮度细节明显减少，其他亮度区间内的保留的区域也有所减少。值得注意的是，两次顶帽变换的差值图像，在二值化后仍然出现了差值不完全的细线，如下图红圈所标注。这些细线在粒子测度中是用不到的，如果保留将会被当成区域面积进行计算，这不利于我们得到符合条件的粒子概率分布。

图 3.差值图像的细线

因此，我对差值图像再进行一次开运算，模板size选择n-2，完美去除了这些细线的干扰。

示意图如下：

图 4.差值蒙版图

讨论和结论

图 5.粒子大小分布直方图

最后将各个差值图像的面积除以当前结构元的面积，粗略地得到了当前结构元下的粒子数目。粒子数目的归一化直方图如上图所示，横轴表示结构元的大小，纵轴表示粒子的分布频率。该结果可能不够完善，在灰度阈值选取上只是用的经验效果好的固定值。还有更为自适应的方法，比如说下一章要用到的自适应OTSU方法等。