形态学

1、形态学腐蚀和开运算对正向噪声有抑制作用。如果背景是黑色，目标是白色，则腐蚀操作之后，目标变小。

而形态学膨胀和闭运算对负向噪声有抑制作用。如果背景是黑色，目标是白色，则膨胀操作之后，目标变大。

2、开运算：先用结构元素对目标图像腐蚀，再用该结构元素对腐蚀后的图像进行膨胀。开运算可以消除比结构元素小的颗粒噪声。

闭运算：先用结构元素对目标图像膨胀，再用该结构元素对膨胀后的图像进行腐蚀。开运算可以填充比结构元素小的孔洞。

其中，A原图像，B结构元素

集合的反射

由集合A中所有元素相对于原点的反射元素组成的集合称为集合A的反射，x表示集合A中的元素对应的反射元素

3、二值图像的形态学处理

（1）形态滤波

将开运算和闭运算串起来，可消除目标图像中的前景噪声和背景噪声

（2）边界提取

思想：用结构元素对目标图像形态学操作，再将得到的结果与原图像相减。

（3）区域填充

在已知区域边界的基础上可进行区域填充操作。区域填充是对图像背景像素进行操作。

步骤：A-边界图像，a为边界图像A的补集，B为结构元素

1）在边界内取一初始点并标记为1

2）利用迭代式对区域进行填充

当条件满足时停止迭代，和A的并集为填充集合和它的边界。

（4）骨架提取（二值图像的细化结构）

通过选定合适的结构元素B，然后对A进行连续腐蚀和开运算来求得。S(A)表示A的骨架：

其中，为A的第n个骨架子集，N为满足的n值，即N的大小为将A腐蚀成空集的次数减1。式表示连续n次用B对A进行腐蚀，即

由于集合仅在边界突出点（如角）处不同，所以集合的差仅包含属于骨架的突出边界点。

已知一幅图像的骨架图像，可以利用形态学变换的方法重建原始图像，实际上是求骨架的逆运算的过程。

其中，B为结构元素，代表连续n次用B对进行膨胀，表示为

（5）物体识别（击中击不中变换）

所谓二值图像的物体识别就是在图像中找出具有某一形状特点的物体，即对图像进行形状检测，也就是结构

元素的形状，像素位置是1。

图像X（包含长方形A、较大正方形B、较小正方形C），结构元素D，它与正方形B一样，局部背景结构像素

，它是由结构元素D的局部背景构成的集合，D与满足。利用结构元素D对图像腐蚀的

结果不唯一，如图（c）。由于腐蚀运算的结果为在图像可填入结构元素D位置的集合，虽然图（c）的结果

不唯一，但它也包含了正确的位置。为确定正方形B的正确位置，进一步处理：首先得到图像X的补集，

如图（d），然后利用结构元素对进行腐蚀运算，其结果如图（e），然后对两次腐蚀运算的结果求交集，

就可得出正方形B的正确位置，如图（f）。

如果把D和的组合看成一个新的结构元素E，那么将上述的过程记录下来就得到一个新的形态学变换：

击中击不中变换，

其中，*为击中击不中运算符，E是结构元素D和与D相关的局部背景构成的结构元素共同组成的结构元素对，

可以表示成

4、灰度图像

1）灰度腐蚀

二值形态学中用到的是交和并运算在灰度形态学中分别用最大极值和最小极值运算代替。

在灰度图像中，用结构元素b(x,y)对输入图像f(x,y)进行灰度腐蚀运算：

注意：与二值图像的腐蚀运算不同，被移动的是输入图像f而不是结构元素b

思想：

灰度腐蚀运算的计算是逐点进行的，求某点的腐蚀运算结果就是计算该点局部范围内各点与结构元素中

对应点的灰度值之差，并选取其中的最小值作为该点的腐蚀结果。

步骤：

1）将结构元素B的原点重叠在A的中心像素上

2）依次用A的中心元素减去B的各个元素并将结果放在对应的位置上

3）将B的原点移动到与A的中心像素相邻的8个元素上进行相同的操作，可得到8个平移相减的结果

4）取得到的9个位置结果最小值，即为A中心像素的腐蚀结果

5）重复上面操作，得到图像灰度矩阵A的腐蚀结果

2）灰度膨胀

3）灰度开运算

通过将求出的所有结构元素的形态学平移都填入目标图像f下方的极大值点来运算。目标图像函数f当y为

某一常数时对应的一个截面，在目标图像下方滑动结构元素形态学平滑时，如图（c），在每一点记录结构元素上的最高点，则由这些最高点构成的集合即为开运算的结果。

开运算可以去除相对于结构元素较小的明亮细节，保持整体的灰度级和较大的明亮区域不变。

4）灰度闭运算

闭运算可以通过求出所有结构元素的形态学平移与目标图像上方的极小值点来计算。在目标图像上方滑动

结构元素，在每一点记录结构元素上的最低点，则由这些最低点构成的集合即为开运算的结果。

闭运算可以除去图像中的暗细节部分，相对地保持明亮部分。

5）形态学平滑

灰度开运算是从图像的下方磨光输入图像灰度表面向上凸出的波峰，可以去除相对于结构元素较小的明亮

细节；灰度闭运算是从图像的上方磨光输入图像灰度表面向下凹入的波谷，可以去除图像的暗细节。

先对图像进行灰度开运算，然后再对灰度图像进行灰度闭运算，就会去除图像中的亮和暗的噪声。

6）高帽（top-hat）变换

因其使用类似高帽形状的结构元素进行形态学图像处理而得名。高帽变换结果用h表示，

由于开运算具有非扩展性，在处理过程中结构元素始终处于图像的下方，故高帽变换的结果是非负的，

它可以检测出图像中较尖锐的波峰。较暗（亮）的且变换平缓的背景中提取较亮（暗）的细节