图像边缘提取和分割

图像边缘提取和分割

一幅图像往往由众多的目标组成，也就是图像中的众多区域。在获取图像后要对复杂的景物进行分解，变成一系列的目标或区域，直至最终形成基元，这个过程称为图像分割。图像分割的目的是为了识别和理解图像，分解主要根据图像中存在的边缘、纹理、形状、目标表面主方向等特征，其中最重要的特征之一就是边缘。图像的边缘提取和分割是图像处理、图像分析和计算机视觉等领域的经典课题之一。
把图像分割处理定义为将数字图像划分成互不相交的区域的过程，数字图像分割的结果可以用于数字图像分析。图像分割也可以理解为将图像中有意义的特征区域或者需要应用的特征区域提取出来，这些特征区域可以是像素的灰度值、物体轮廓曲线、纹理特征等，也可以是空间频谱或直方图特征等。由于不同种类的图像，不同的应用场合，需要提取的图像特征是不同的，对应的图像特征也不同，并不存在一种普遍适应的最优方法。
图像分割可以分为基于区域的分割方法和基于边界的分割方法，基于区域的分割方法包括阈值分割法、区域生长和分裂合并法、聚类分割法等，基于边界的分割法有微分算子法、串行边界技术等。可以把基于区域和基于边界的分割法结合起来使用。
可以根据物体的边缘来分割图像，这要先检测每个像素及其邻域的状态，以判断该像素是否确实处于一个物体的边缘上。当目标和背景的边缘清晰时，称为阶跃边缘；当目标和背景的边缘渐变时，称为屋顶状边缘。根据不同的边缘选择不同的边缘检测算子对图像进行边缘检测。

一、边缘提取：

边缘检测算子用来检查每个像素的邻域，并对灰度变化进行量化，通常也包括方向的确定。有多种方法，其中大多数是基于方向导数掩模求卷积，最简单的边缘检测方法是对图像按像素的某领域构造边缘检测算子，常用的边缘检测算子一般分为4邻域和8邻域。

1. 梯度边缘算子：

对于阶跃状边缘图像，在边缘点其一阶导数取极值，因此对图像的每个像素取它的梯度值，也即x和y方向的相邻像素点差值的平方和的平方根：
图像边缘提取
适当取门限Tg，来判断梯度值是否大于门限来确定是否处于边缘。

2. Roberts边缘算子：

Roberts边缘算子利用局部差分算子寻找边缘。
Roberts
其中，f(i,j)是具有整数像素坐标的图像，使用平方根运算以类似人的视觉系统。还有一种近似公式：
Roberts
Roberts边缘算子模板为：

图像边缘提取
有时也称模板为卷积核，计算过程为将被模板覆盖的像素与模板对应位置处的数据先相乘再求和。

3. Sobel边缘算子：

对于阶跃状边缘图像，Sobel提出一种检测边缘点的算子。对数字图像的每一个像素考察它上下左右相邻点灰度的加权差，与之接近的邻点权重大，定义Sobel算子为：
S(i,j)=|[f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1)]-[f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)]|+|[f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1)] -[f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)]|
适当取阈值，判断得到的值是否大于等于阈值，若是则为阶跃状边缘点，所有边缘点的集合构成边缘图像。Sobel算子有两个卷积核，图像中的每个点都用这两个核做卷积。通常，一个核对垂直边缘响应最大，而另一个核则对水平边缘响应最大。两个卷积的最大值作为该点的输出值，运算结果是一幅边缘幅度图像。 模板分别为：
Sobel Sobel
索伯尔算子的定义有多种：
区分水平和垂直方向的索伯尔算子分别定义为Sobel，Sobel
考虑水平和垂直两方向的索伯尔算子定义为Sobel
水平和垂直两方向取较大者的索伯尔算子定义为Sobel

4. 拉普拉斯边缘算子：

对于阶跃状边缘，二阶导数在边缘点出现零交叉，即边缘点两旁二阶导数取异号。Laplace算子公式为：
Laplace
据此，对数字图像的每个像素，取它关于x轴方向和y轴方向的二阶差分之和：
拉普拉斯算子
上式就是拉普拉斯Laplacian边缘算子的离散公式，这是一个与边缘方向无关的边缘检测算算子，其中使用了像素的4个邻近像素来计算，为4邻域的拉普拉斯算子。
对于屋顶状边缘，在边缘点的二阶导数取最小值。对数字图像的每一个像素，取它的关于x轴方向和y轴方向的二阶差分之和的相反数，即拉普拉斯算子的相反数：
拉普拉斯算子
加入对角线像素后得到8邻域的拉普拉斯算子：
拉普拉斯算子
拉普拉斯边缘算子模板和扩展模板为：
拉普拉斯算子

5. Kirsch算子：

8个卷积核组成了Kirsch边缘算子。图像中的每个点都用8个模板进行卷积，每个模板对某个特定边缘方向做出最大响应。所有8个方向中的最大值作为边缘幅度图像的输出，最大响应模板的序号构成了对边缘方向的编码。
拉普拉斯算子
上述模板分别为0°、45°、90°、135°、180°、225°、270°、315°的Kirsch算子模板。

6. LOG边缘算子：

LOG边缘检测算子是将高斯算子和拉普拉斯算子结合在一起而形成的，先用高斯算子对图像进行平滑处理，然后采用拉普拉斯算子割据二阶微分过零点检测图像边缘，所以称为LOG(Laplacian of Gaussian)算子，也称为Marr-Hildreth边缘算子。
在数字图像中实现图像与模板卷积运算时，运算速度与选取的模板大小有直接关系，模板越大，检测效果越明显，速度越慢，反之效果差一点，但速度提高很多。在不同的条件下选取不同大小的模板。实际计算时，还可以通过分解的方法提高运算速度，即把二维滤波器分解为独立的行、列滤波器。
使用一个墨西哥草帽函数：
LOG
常用的5x5模板的LOG边缘算子为：
Marr-Hildreth边缘算子
数字图像处理中的模板有两种表示方法，一种是填充数字的方格，一种是矩阵，算法上是一致的。将LOG算子绕y轴旋转一周后，很像一顶墨西哥草帽，所以也称为墨西哥草帽滤波器。将Sobel算子与LOG算子结合形成修正LOG算子，就是取较小阈值的Sobel算子作为边缘检测的前提条件，然后进行LOG的边缘检测，可得到较好的结果。

7. Canny边缘算子：

Canny边缘算子是近年来在数字图像处理中广泛应用的边缘算子，这是使用变分原理推导出的一周用高斯模板导数逼近的最优算子。通过Canny算子，可以计算出数字图像的边缘强度和边缘梯度方向，为后续边缘点的判断提供依据。
Canny算子用泛函求导方法推导出高斯函数的一阶导数，即为最优边缘检测算子的最佳近似。由于卷积运算可交换、可结合，故Canny算法首先采用二维高斯函数对图像进行平滑。传统Canny算法利用一阶微分算子来计算平滑后图像各点处的梯度幅值和方向，获得相应的梯度幅值图像和梯度方向图像。点(i,j)处两个方向的偏导数分别为：
Canny算子
Canny算子
则此点处的梯度幅值和方向分别表示为：
Canny算子 Canny算子
为了精确定位边缘，必须细化梯度幅值图像C中的屋脊带，只保留幅值的局部最大值。Canny算法在梯度幅值图像中以点(i,j)为中心3x3的邻域内沿梯度方向进行插值，若此点处的梯度幅值大于方向上与其相邻的两个插值，则将此点标记为候选边缘点，反之标记为非边缘点。
传统的Canny算法采用双阈值法从候选边缘点中检测和连接出最终的边缘。首先选取高阈值Th和低阈值Tl，然后开始扫描图像。对候选边缘图像中标记为候选边缘点的任一像素点进行检测，若点的梯度幅值高于高阈值，则认为该点一定是边缘点；若点的梯度幅值低于低阈值，则认为该点一定不是边缘点。而对于梯度幅值处于两个阈值之间的像素点，则将其视为疑是边缘点，再进一步依据边缘的连通性对其进行判断，若该像素点的邻接像素中有边缘点则认为该点也为边缘点，否则认为非边缘点。
Canny边缘检测算法步骤：
⑴高斯滤波平滑处理：由于图像中存在高斯噪声，要先进行高斯滤波。
⑵梯度计算：使用一阶导数进行梯度计算，一般用sobel模板，计算灰度图像在水平和垂直方向上的导数GX和GY，得到梯度向量(GX,GY)，最后得到该像素点的梯度幅度和相位角：
Canny算子
⑶非极大值抑制：将当前像素的梯度值与其在梯度方向上的邻域像素的梯度值做对比，如果当前像素的梯度值为最大值则保留，否则删除或将像素值置为0。
⑷双阈值边缘检测和边缘连接：设定两个阈值，一般高阈值为低阈值的2.5倍。然后进行判断，梯度大于高阈值的一定是边缘点，像素值置255；梯度小于阈值的一定不是边缘点，像素值置0；介于高低阈值之间的，如果其像素点周围8邻域梯度值都小于高阈值则不是边缘点，像素值置0，否则置255。
Canny边缘检测算子对受白噪声影响的阶跃状边缘检测是最优的。Canny算子可以近似为标准差为σ的高斯平滑滤波器的一阶微分，因此可以实现边缘检测误差小于20%，这与LOG边缘检测算子很相似。

8. Prewitt边缘算子：

Prewitt提出了类似的计算偏微分估计值的方法，梯度计算算法为：
Prewitt边缘算子
Prewitt边缘算子
其卷积模板为：
Prewitt边缘算子
当用两个模板组成边缘检测器时，通常取较大的幅度作为输出值，这使得对边缘的走向比较敏感。取它们的平方和之后的开平方，可以获得性能更一致的全方位的响应，与真实的梯度值更接近。另一种方法是将Prewitt算子扩展到8个方向：
Prewitt边缘算子
这些算子模板由理想的边缘子图像构成，依次用边缘模板取检测图像，与被检测区域最为相似的模板给出最大值，用这个最大值作为算子的输出值，这样可以将边缘像素检测出来。采用Prewitt算子不仅能够检测边缘点，而且可以抑制噪声的影响。

9. 边缘检测算子的对比：

数字图像处理中，对边缘检测算法的主要要求是运算速度快、边缘定位准确、噪声抑制能力强。运算速度方面，对于NxN图像，各种算子计算量如表：
算子 加法运算 乘法运算
Roberts算子 3xNxN 0
Sobel算子 11xNxN 2xNxN
Prewitt算子 11xNxN 0
Kirsch算子 56xNxN 16xNxN
Laplacian算子 4xNxN NxN
LOG算子 运算量大，具体看所取卷积模块的大小
Canny算子 运算量大，具体看所取卷积模块的大小

可以看出，Kirsch算子、LOG算子和Canny算子的运算量比较大。
在边缘检测中边缘定位能力和噪声抑制能力是一对矛盾，其中有的边缘定位能力强，有的抗噪声能力比较好。
Roberts算子利用局部差分寻找边缘，边缘定位精度较高，但容易丢失一部分边缘信息。因为没有经过图像平滑计算，所以不能抑制噪声。该算子对边缘陡峭的低噪声图像响应最好。
Sobel算子和Prewitt算子都对图像进行差分和滤波运算，只是平滑时的权值不同，对噪声具有一定的抑制能力，但不能完全排除检测结果中出现的伪边缘。这两个算子边缘定位比较准确和完整，对灰度渐变和具有噪声图像处理效果较好。
Kirsch算子对8个方向边缘信息进行检测，因此具有较好的边缘定位能力，并且对噪声有一定的抑制作用。在边缘定位和抗噪声能力方面效果比较理想。
Laplacian算子为二阶微分算子，对图像中的阶跃状边缘定位准确且具有旋转不变性，无方向性。但该算子容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差，比较适用于屋顶状边缘的检测。
Marr-Hildreth算子首先通过高斯函数对图像做平滑处理，因此对噪声抑制作用明显，但同时有可能将原有的边缘也平滑了，造成某些边缘无法检测到。同时，高斯函数中方差σ的选择对图像边缘检测效果有很大影响，σ越大检测到的图像细节越丰富，但对噪声抑制能力相对下降，易出现伪边缘；反之，抗噪声性能提高，但边缘定位准确性下降，易丢失许多真边缘。因此，对不同的图像应选择不同的参数。
Canny算子也采用高斯函数对图像进行平滑，具有较强的去噪能力，也同样容易平滑掉一些边缘信息。其后采用的一阶微分算子的方向性比Marr-Hildreth算子要好，因此边缘定位准确性较高。这是传统边缘检测算子中效果较好的算子之一。

二、目标物体轮廓提取和分割：

1.轮廓提取：

目标物体的边缘能勾画出目标物体，蕴含了丰富的内在信息，是图像识别中抽取图像特征的重要属性。本质上说，图像边缘是图像局部特性不连续性的反映，标志着一个区域的终结和另一个区域的开始。
1）掏空内部点方法：
二值图像轮廓提取原理很简单，就是掏空内部点。如果原图中有一点为黑，且它的8个相邻点皆为黑，则将该点删除。对非二值图像，要先进行二值化处理。
2）边界跟踪法：
一般从图像左上角开始逐点扫描，当遇到边缘点时开始顺序跟踪，直至跟踪的后续点回到起始点或后续点再没有新的后续点为止。如果不止一个后续点，则按上述连接准则选择加权平均最大点为后续点，另一次要后续点作为新的边缘跟踪起点另行跟踪。一条线跟踪完后，接着扫描下一个未跟踪点，直至图像内的所有边缘都跟踪完毕。
该算法处理速度慢，但对于边界的判断更精确，且边界连续无中断，跟踪后产生的轮廓边缘宽度只有一个像素。
3）区域增长法：
以区域为处理对象，考虑区域内部和区域之间的同异性，尽量保持区域内像素的邻近性和一致性的统一，能更好地分辨提醒真正的边界。
基于区域分割方法的关键是定义一致性准则，用来判断两个邻接区域是否可以合并，一致则合并，直到不能合并为止。区域增长的方法是在图像上选定一个种子点，记录下该点的灰度值，作为一致性判断的标准阈值，此外还需要定义一个标准差。
算法过程是依次用图像的每一个像素的灰度值和标准阈值相减，判断结果是否小于标准差，是则将该点和种子点合并，不是则保持像素点的灰度值不变。生长过程中，每个生长点都将本身上下左右4个像素点和初始选取的生长点比较灰度值，如果灰度差的绝对值在阈值内，则认为这些点是属于相同区域将其合并，否则将灰度差大于阈值的点删除。重复检查区域内的像素点，直到没有像素点可以合并为止。
4）区域分裂合并法：
利用图像数据的金字塔或四叉树数据结构的层次概念，将图像划分为一组任意不想交的初始区域，从其中的任一区域开始根据给定的均匀性检测准则进行分裂和合并，逐步改善区域划分的性能，直至最后将图像分成数量最少的均匀区域为止。
假设图像中的物体和背景各自的灰度是均匀的，只有当子区域中所有像素同为物体或背景时，T®才为true。如果T®为false，将其分为4个区域，如果子区域满足T®=true还需要再分，直到所有子区域全部满足T®=true；相邻的背景均匀度是相同的则合并成一个区域。区域分开合并处理能够较好地保持原图像的特性，优于区域增长法处理。

2.分割：

图像分割将图像分为一些有意义的区域，判断其中是否有感兴趣的目标，然后可以对这些区域进行描述。图像分割的基础是像素间的相似性和跳变性，目前很难找到一种有效的通用图像分割方法能使得各种类型的图像达到最优分割质量。
图像分割的算法大致分为两类，一类是基于区域的图像分割算法，利用的是区域的相似性，即假设同一区域中相邻像素在视觉上有灰度、颜色或纹理相似的特征；另一类是基于边界的图像分割算法，利用区域的不连续性。各种算法按照分割机理划分，主要包括区域生长法、区域分裂合并法、分水岭法、阈值法、边缘检测法等。
1）区域生长法：
基本思想是将相似性质的像素集合起来构成区域，即对每个要分割的区域先找一个种子像素作为生长点，然后将其周围邻域中具有相似性质的像素合并到其所在的区域中。
2）区域分裂合并法：
将输入图像先任意分成初始的区域，然后根据图像的统计特性设定区域的相似性准则，分裂或合并这些区域，满足分割的要求。
区域生长法和分裂合并法都能将分割深入到像素级，保证较高的分割精度，考虑了像素的相似性和空间的邻接性而有效消除孤立噪声的干扰。但种子点的设置和相似性准则的设置是难点，设置好坏直接影响分割效果。
3）分水岭法：
以对图像进行三维可视化处理为基础，其中两个是坐标，另一个是灰度级。按地形学有三类点：
⑴局部最小值点
⑵当水放在某点，水会下落到一个单一的最小点
⑶当水处于某个位置，水会等概论地流向不止一个这样的最小点
满足条件⑵的点的集合称为这个最小值的汇水盆地或分水岭，满足条件⑶的点集合组成地形表面的峰线，称为分割线或分水线。
分水岭法主要应用是从背景中提取近乎一致的对象。基于这种概念的分割算法主要是找出分水线，但它对噪声和细密纹理非常敏感，容易产生过分割。
4）基于边缘检测的分割：
指利用不同区域间像素灰度或颜色的不连续性检测区域的边缘，从而实现分割。首先利用边缘检测算子检测出图像中可能的边缘点，然后对有一定厚度的边缘进行边缘细化，最后利用边缘闭合技术得到封闭的边缘。
边缘检测算法主要包括基于局部图像函数的方法、基于边缘曲线拟合的方法、图像滤波和多分辨率方法。难点在于抗躁性和检测精度之间的关系。
5）阈值法：
基于区域分割算法中最常用的分割技术，本质是按照某个准则自动求出最优阈值，把像素点按灰度级进行聚类实现分割。
一幅图像包括目标、背景还有噪声，取出目标物体最常用的方法是用自动化的方法提取某一阈值T，用T将图像的数据分成两部分，即二值化，二值化处理把图像分成目标物体和背景。对图像二值化处理的关键是阈值的选择，不同的阈值设定方法对一幅图像进行处理会产生不同的二值化处理结果。一般通过某种算法自动化获取图像阈值，常用方法有大津法、迭代阈值法和二次定值法等。
①大津法：
也称Otsu算法，或最大类间方差法，把图像直方图用某一灰度值分割成两组，当被分割的两组间方差最大时，此灰度值就作为图像二值化处理的阈值。处理过程要先求直方图，循环直方图中所有灰度为阈值，把图像分割成两组，对每一组求平均值，求每一组的方差，当被分割成的两组间方差最大时，以此灰度值作为图像二值化处理的阈值。
②迭代阈值法：
迭代的方法产生阈值可以通过程序自动计算出比较合适的分割阈值。通常可以先选图像的平均灰度作为阈值，把图像分成两组，再计算两组的平均灰度u1和u2，然后选择新阈值为(u1+u2)/2。循环上述步骤，直到两组的平均灰度值u1和u2不再发生改变，那么就获得了所需要的阈值。
③二次定值法：
先取T=g+delta，其中g为灰度最黑值，delta为经验值，进行第一次扫描，根据T区分前景或背景，再分别求对应T的前景和背景的平均值F和B，得出二值化阈值为(F+B)/2。
④自适应局部阈值法：
以一个像素点为中心设置大小s×s的滑窗，滑窗扫过整个图像，每次扫描均对窗口内的像素求平均值并将均值作为局部阈值。若窗口中的某一像素值低于局部阈值t/100，赋值为0，高于局部阈值t/100，赋值255。
因为涉及多次对有重叠的窗口进行加和计算，在每个位置存储其左边和上方所有f(x,y)值的总和：
自适应局部阈值法快速计算
对于任意从左上角(x1,y1)到右下角(x2,y2)的矩形内的数值总和可以计算：
自适应局部阈值法快速计算
还有一种Niblack算法，也是使用窗口中局部阈值，但不仅考虑区域内的均值和方差，还考虑设定的修正系数k：
Niblack算法
其中，T(x,y)为阈值，m(x,y)和s(x,y)分别代表均值和标准差，与m(x,y)相近的像素点判为背景，反之则判为前景，而相近程度由标准差和修正系数决定。
Sauvola算法针对文档二值化处理，是在Niblack算法基础上改进：
Sauvola算法
其中，R为标准差的动态范围，若为8位灰度图像为128。在处理光线不均匀或染色图像时拥有更好表现，因为自适应放大了标准差s的作用。
6）Hough变换：
Hough变换是一种线描述方法，可以将图像空间中用直角坐标表示的直线变换为极坐标空间中的点。图像空间的直角坐标中，经过点(x,y)的直线可表示为：
y=ax+b
上式可以变换为：
b=-ax+y
如果用ρ代表原点距直线的法线距离，θ为该法线与x轴的夹角，可用如下参数方程表示该直线：
ρ=xcosθ+ysinθ
在直角坐标系中通过公共点的一簇直线，映射到极坐标系中便是一个点集；反之，在xy直角坐标系中共线的点映射到ρθ极坐标便成为共点的一簇曲线。Hough变换使不同坐标系中的县和点建立了一种对应关系。
Hough变换的性质为：
·通过xy平面域上一点的一簇直线，变换到极坐标变换域ρθ平面时，将形成一条类似正弦状的曲线
·ρθ平面上极坐标变换域中的一点，对应于xy域中的一条直线
·xy平面域中一条直线上的n个点对应ρθ平面上极坐标变换域中经过一个公共点的n条曲线
·ρθ平面上极坐标变换域中一条曲线上的n个点对应于xy平面域中过一公共点的n条直线
可以用Hough变换提取检测直线。通常将xy称为图像平面，ρθ称为参数平面。提取直线的Hough变换可以概括为：
·在ρ和θ合适的最大值和最小值之间建立一个离散的参数空间
·建立一个累加器A(ρ,θ)，并置每个元素为0
·在ρθ参数空间，对每一点做Hough，计算出网络上所有点的(ρ,θ)值，并在相应的累加器加1
·累加结束后，根据A(ρ,θ)的值就可以知道有多少点是共线的，即A(ρ,θ)的值就是在 (ρ,θ)处共线点的个数。同时，(ρ,θ)值也给出了直线方程共线点共线的参数，由此可得到点所在的线。
Hough变换的策略是，由图像空间中的边缘数据点去计算参数空间中的参考点的可能轨迹，并在一个累加器中给计算出的参考点计数，最后选出峰值。Hough变换的主要优点是受共线点的间隙和噪声影响较小，但运算量较大，容易将不属于直线的点也连接到直线上。可以通过把图像划分小块，对各块图像利用Hough变换提取直线，然后再将各直线连接起来，以减少计算量。
可以将此思想推广到检测曲线，例如对圆的检测，参数空间增加到三维，对参数空间适当量化，得到一个三维的累加器阵列，并计算图像每点强度的梯度信息得到边缘，再计算与边缘上的每一个像素(xi,yi)距离为圆半径r的所有点，同时将相应立方小格的累加器加1.当检测完毕，对三维阵列的所有累加器求峰值，其峰值小格的坐标就对应着图像空间圆形边界的圆心。
7）基于颜色空间的图像分割法：
在一些应用领域，可以通过物体的颜色的差异进行图像分割，比如区分成熟与不成熟的水果。特别是在人像处理中，可以通过肤色来分割人脸或其他皮肤区域，然后进行以后的处理。
8）基于深度学习的图像分割法：
随着深度学习技术的发展，已经产生通过构建神经网络对图像进行二值化处理甚至进行图像分割，并达到实用效果。有一种Multi-Scale Fully Convolutional Neural Network对文档二值化效果良好。
多尺度全卷积神经网络

3.定位：

定位技术主要针对诸如车牌识别、邮政编码识别和汉字识别等需要准确定位的技术，主要是对图像进行处理，获得特定区域内的图像信息，或对特定区域内的信息进行匹配。投影法是对二值化图像进行处理，沿着图像方向截面的灰度值累加计算量的集合。
1）水平投影实现方法：
将图像二值化，使物体为黑背景为白；循环各行，依次判断每一列的像素值是否为黑，统计该行所有黑像素的个数。设该行共有M个黑像素，则把该行从第一列到第M列置为黑。
2）垂直投影实现方法：
将图像二值化，使物体为黑背景为白；循环各列，依次判断每一行的像素值是否为黑，统计该列所有黑像素的个数。设该列共有M个黑像素，则把该列从第一行到第M行置为黑。

4.测量：

1）二值图像区域标记：
二值图像中，相互连接的黑像素的集合称为一个黑区域，通过对图像内每个区域进行标记操作，求得区域的数目，处理后每个像素的值为其所在区域标号。可采用4连通或8连通域判别，操作时逐个扫描像素，若该点的邻域都不为物体则把数标为1，若遇到物体A，依次判断邻域是否为该物体，根据准则进行连通性判断并标识物体，将物体像素值改为标号。
2）二值图像的区域面积测量：
二值图像中，相互连接的黑像素的集合成为一个黑区域。在二值图像区域标记基础上，通过对图像内每个像素进行标记操作，将物体的像素值改为标号，求各种标号的总和，即求得不同区域的面积数目。
3）基于二值图像的周长测量：
二值图像中，相互连接的黑像素集合成为一个黑区域。在二值图像区域标注基础上，通过对图像内每个像素进行标记操作，将物体的像素值改为标号，再采用边界跟踪法，跟踪各封闭区域边界线的每个像素的标号，记录二值图像物体边界的坐标值序列。