网站 概念设计,mvc5网站开发之六,云主机怎么建网站,0453牡丹江信息网息网一、数字图像基本概念
1、人眼视觉特性
#xff08;1#xff09;眼睛上有两类光感受器#xff1a;锥状体和杆状体
锥状体(锥细胞)#xff1a;约 700 万个#xff0c;对颜色高度敏感#xff0c;每个锥状体都连接到神经末梢#xff0c;人可以充分地分辨图像细节。锥细胞…一、数字图像基本概念
1、人眼视觉特性
1眼睛上有两类光感受器锥状体和杆状体
锥状体(锥细胞)约 700 万个对颜色高度敏感每个锥状体都连接到神经末梢人可以充分地分辨图像细节。锥细胞视觉称为明视觉、 亮光视觉、白昼视觉、彩色视觉。
杆状体(柱细胞)约 1 亿 4000 万个分辨率比较低对低照度较敏感它们没有色彩感觉不感受颜色几个杆状体才连到一个神经末梢所以不感知事物的细节只感知一般的总体图像主要提供视野的整体视像。柱细胞视觉称为暗视觉、微光视觉、单色夜视。
2由于数字图像以客观亮度显示图像人眼以主观亮度感受取得视觉所以人眼的亮度适应性影响了图像处理的结果。
3人眼的视觉系统能适应的光亮度等级最强的光照强度是最弱的
4亮度适应现象人眼并不能同时在整个范围内工作而是利用改变灵敏度来实现大的动态范围内的变动
5当平均亮度适中时能分辨的最大亮度和最小亮度之比为 10001当平均亮度很低时这个比值只有 101
6当背景光保持恒定时改变其他光源亮度从不能察觉到可察觉一般观察者可辨别 12 到 24 级不同强度的变化
7主观亮度是进入人眼的光强度的对数函数
8人眼视觉系统对亮度的对比度敏感而非对亮度本身敏感
9两种现象表明感知亮度不是实际灰度的简单函数用来回答人眼出入亮度差别很大的环境为什么要一个缓冲过程
马赫带效应视觉系统往往会在不同灰度区域的边界处出现“下冲”或“上冲”现象
同时对比即一个区域的感知亮度并不只是取决于其灰度背景的颜色会影响我们所感知的颜色黑中白更亮白中黑更暗 2、图像数字化
1由模拟图像到数字图像的过程
目的便于计算机处理
方法空间采样与幅度量化
采样是将在空间上连续的图像转换成离散的采样点(即像素)集的操作。即空间坐标的离散化
量化把采样后所得的各像素的灰度值从模拟量到离散量的转换称为图像灰度的量化。即灰度的离散化。 2坐标 3图像类型
二值图像1bit1位
灰度图像8bit1B/一个字节
彩色图像3*8bit 4图像分辨率
1k1920*1080
2k2560*1440
4k3840*21604k4096*2160
5边界处理补零重复对称循环
补零补一圈0有黑边
重复重复外边界的值来扩展图像
对称镜像通过镜像反射外边界的值
循环在图像边界外围将图像看成二维周期函数的一个周期来扩展比如说处理图像最下面边缘结构元十字中心对齐后下面一行缺了就要吧最上面边缘那行像素抄过去 二、图像空间域处理灰度变换与空间滤波
灰度变换在图像的单个像素上操作主要以对比度和阈值处理为目的
空间滤波设计改善性能的操作如通过图像中每个像素的邻域处理来锐化图像
1、灰度变换函数线性变换对数变换指数变换
线性变换反转和恒等变换
对数变换对数和反对数变换
指数变换n次幂和n次根变换 1图像反转
灰度级范围为[0,L-1]sL−1−r
类似于照片底片可用于增强图像暗色区域中的白色或灰色细节暗色区域的尺寸很大时这种增强效果更好。负片相片
2对数变换
s c log(1r)c是一个常数并假设r≥0
这个变换将输入中范围较窄的低灰度值映射为输出中范围较宽的灰度级。我们使用这类变换来扩展图像中的暗像素值同时压缩高灰度级值。反对数指数变换的功能正好相反 3幂律伽马变换
sc r的γ次方c和γ是正常数
幂律曲线用分数值γ将较窄范围的暗输入值映射为较宽范围的输出值将高输人值映射为较窄范围的输出值。改变γ值就能得到一族变换曲线。γ1时生成的曲线与γ1时生成的曲线效果正好相反。cγ1时简化为恒等变换。
当γ1 时该变换将低灰度值(暗值)进行拉伸例如γ0.4 时该变换将动态范围从[0L/5]扩展到[0.L/2]。
当γ1 时该变换将高灰度值(亮值)进行拉伸。
除伽马校正外幂律变换对于普通目的的对比度处理也是有用的。
2、对比度拉伸分段线性变换函数
通过将k以下的灰度级变暗并将高于k的灰度级变亮产生比原图像对比度更高的一幅图像。小于k值的r值减小(变暗)s的值倾向于黑色大于k值的r值增大(变亮)s的值倾向于白色。注意观察灰度值是如何映射以便得到对应的s值的。在图 3.2(b)所示的极限情况下T(r)产生一幅二级(二值)图像。这种形式的映射称为阈值处理函数。
光照不足、成像传感器的动态范围偏小、图像获取过程中镜头孔径的设置错误等都可能产生低对比度图像。对比度拉伸可以扩展图像中的灰度级范围使其覆盖记录介质或显示设备的整个理想灰度范围。 3、直方图概念
灰度直方图是表示一幅图像灰度分布情况的统计表。灰度级的直方图描述了一幅图像的概貌。
直方图
h()
其中 ∈[0L-1]——灰度级—灰度级为的像素个数
归一化直方图 其中n像素总数MN()为原始图像灰度分布的概率密度函数
如果将归一化到[0 1]之间则可以看作区间[0 1]的随机变量 图(a)的大多数像素灰度值取在较暗的区域图像偏暗。图(b)图像的像素灰度值集中在亮区因此图像的特性偏亮。图(c)图像的像素灰度值集中在某个较小的范围内信息都集中在一个小灰度范围图像对比度较差。 直方图反映了图像的清晰程度当直方图均匀分布时图像最清晰。由此可以利用直方图来达到使图像清晰的目的。
4、直方图均衡
将原始图像的直方图变换为均匀分布的形式从而增加像素灰度值的动态范围达到增强提高图像整体对比度的效果。指图像经灰度变换后使灰度的概率密度分布变为常数即均匀分布。
直方图均衡化是将原图像的直方图通过变换函数修正为均匀的直方图然后按均衡直方图修正原图像。经图像均衡化处理后图像的直方图是平直的即各灰度级具有相同的出现频数那么由于灰度级具有均匀的概率分布图像看起来就更清晰了。
首先假定连续灰度级的情况推导直方图均衡化变换公式令 r 代表灰度级P(r)为概率密度函数。r 值己归一化最大灰度值为 1。
直方图均衡化处理的计算步骤 直方图均衡化实质上是减少图像的灰度级以换取对比度的加大。在均衡过程中原来的直方图上频数较小的灰度级被归入很少几个或一个灰度级内故得不到增强。如若这些灰度级所构成的图像细节比较重要则需采用局部区域直方图均衡。
注意
因为直方图是近似的概率密度函数所以用离散灰度级进行变换时很少得到完全平坦的结果
变换后灰度级减少即出现灰度“简并”现象造成一些灰度层次的损失。
优点直方图均衡能自动增强整个图像的对比度
缺点具体的增强效果不易控制处理的结果总是得到全局均衡化的直方图。不能够用于交互方式的图像增强应用因为直方图均衡化只能产生唯一一个结果。 ps取整扩展和上图中的四舍五入计算结果是一样的用哪个都可以 直方图规定化 vs 直方图均衡化
直方图均衡化自动增强效果不易控制总得到全图增强的结果
直方图规定化有选择地增强须给定需要的直方图特定增强的结果
5、图像空间滤波概念及实现
利用像素本身以及其邻域像素的灰度关系进行增强的方法常称为滤波。
在图像空间借助模板进行邻域操作。
图像的平滑、锐化都是利用掩模操作来完成的。通过掩模操作实现一种邻域运算待处理像素点的结果由邻域的图像像素以及相应的与邻域有相同维数的子图像得到。这些子图像被称为滤波器、掩模、核、模板或窗口
掩模运算的数学含义是卷积(或互相关)运算
掩模子图像中的值是系数值而不是灰度值
都是利用模板卷积运算
空间滤波步骤
①将模板在图中漫游并将模板中心与图中某个像素位置重合
②将模拟上系数与模板下对应像素相乘
③将所有乘积相加
④将和(模板的输出响应)赋给图中对应模板中心位置的像素
根据技术分类线性滤波如邻域平均非线性滤波如中值滤波
根据功能分类平滑滤波减弱和消除高频分量使图像灰度平滑模糊消除噪声锐化滤波减弱和消除低频分量使图像反差增大增强边缘的细节
平滑空间滤波器
其作用有两个①消除或减少噪声改善图像质量②模糊图像使图像看起来柔和自然。
平滑滤波器分类 线性滤波和为1均为正数 ——邻域平均、加权平均
邻域平均 实现过程为①模板游走整个图像②将模板下对应的灰度值相加求平均值③用均值代替邻域中心像素 f(xy)
缺点当模板尺寸增大时对噪声消除的效果增强但图像变得模糊即边缘细节减少
加权平均
一般认为离模板中心近的像素对滤波的贡献大。所以中心系数大而周围系数小。
系数的实用取值最外周边系数为 1内部系数成正比例增加中间系数最大。 为了保持平滑处理后的图像的平均值不变模板内各元素之和为 1。有时为了突出原点(ij)本身的重要性以便尽量抑制图像中的模糊效应在模板中心和较近的元素可以赋以大的加权值(如模板 3)。
可见3×3 均值滤波处理是以图像模糊为代价来换取噪声的减小的且面积(即模板大小)越大噪声减少越显著。如果 f(ij)是噪声点其邻近像素灰度与之相差很大一旦用简单邻域平均法即邻近像素的平均值来置换它能明显地将噪声点压制下去使邻域中灰度接近均匀起到平滑灰度的作用。因此邻域平均法具有显著地平滑噪声的效果邻域平均法是一种平滑技术。
作用前面的邻域平滑滤波在消除噪声的同时会将图像中的一些细节变模糊如果既要消除噪声又要保持图像的细节(不模糊)。
中值滤波椒盐噪声
非线性滤波器它的响应基于图像滤波器包围的图像区域中像素的排序再由统计排序结果决定的值代替中心像素的值又称序统计滤波器。
算法先将掩模窗口内欲求的像素及其领域的像素值排序(升序或降序)确定出中值并将中值赋予为该像素点灰度值。
主要功能使拥有不同灰度的点看起来更接近于它的邻近值。
主要用途去除“椒盐”噪声。
百分比滤波器最大值滤波器椒噪声、最小值滤波器盐噪声
中点滤波器最大灰度值和最小灰度值的均值高斯和均匀分布随机噪声
均值、中值对比
均值滤波的特点使数字信号变“平坦”可在图像中消除或抑制噪声同时图像中景物边缘也会不同程度地变得模糊。
中值滤波的特点可以消除杂散噪声点而不会或较小程度地造成边缘模糊。
邻域平均与中值滤波的比较邻域平均滤波器在去掉孤立脉冲时模糊了图像中值滤波器在去掉孤立脉冲时不影响图像。但是中值滤波不能去掉服从高斯分布的噪音。
锐化空间滤波器
利用计算机进行图像锐化处理有两个目的一是与柔化处理相反增强图像边缘使模糊的图像变得更加清晰起来颜色变得鲜明突出图像的质量有所改善产生更适合人观察和识别的图像二是希望经过锐化处理目标物体的边缘鲜明以便于计算机提取目标物体边界、对图像进行分割、目标区域识别、区域形状提取等为图像理解和分析打下基础。
图像边缘锐化的基本方法微分运算梯度锐化边缘检测
图像平滑是通过削弱高频成分突出低频成分来达到滤除噪声、模糊图像的目的。锐化与平滑相反主要是加强高频或者减弱低频图像锐化加强了细节和边缘对图像有去模糊的作用。
从数学上看图像的模糊相当于图像被平均或积分为实现图像的锐化必需用它的反运算“微分”一加强高频分量作用使轮廓清晰。 拉普拉斯算子——基于二阶微分的图像增强
和为0有正有负 拉普拉斯微分算子强调图像中灰度的突变弱化灰度慢变化的区域。这将产生一幅把浅灰色边线、突变点叠加到暗背景中的图像 将原始图像和拉普拉斯图像叠加在-起的简单方法可以保护拉普拉斯锐化处理的效果同时又能复原背景信息。因此拉普拉斯算子用于图像增强的基本方法如下 微分(梯度算子)原理
其导数在边缘方向取得极值
最常用的微分方法是梯度法。设图像函数为 f (xy)它的梯度(Gradient)是一个向量定义为 在(x,y)点处的梯度方向是f(x,y)在这点变化率最大的方向而其长度(记G[f (x,y)])则 等 于 f(x,y)的 最 大 变 化 率 即
[(,)]
典型梯度算法 罗伯茨(Roberts) 梯度算法 上述二算法运算较费时。为更适合计算机实现实际运算时使用的数字梯度采用绝对差分算法 梯度的近似值和相邻像素的灰度差成正比因此在图像变化缓慢区域其值很小而在线条轮廓等变化快的部分其值很大梯度运算可使细节清晰从而达到锐化的目的。
某像素上的梯度值是该像素与相邻像素的灰度差值的单调递增函数。
①图像轮廓上像素灰度有陡然变化梯度值很大。
②图像灰度变化平缓区域梯度值很小。
③等灰度区域梯度值为零。
Robert 交叉梯度算子
Roberts 边缘算子采用的是对角方向相邻的两个像素之差。从图像处理的实际效果来看边缘定位准对噪声敏感。
梯度计算由两个模板组成第一个求得梯度的第一项第二个求得梯度的第二项然后求和得到梯度。
两个模板称为 Roberts 交叉梯度算子水平垂直 Sobel 梯度算子
3x3 的梯度模板 Sobel 边缘检测算子是先做成加权平均再微分然后求梯度
使用权重 2 的目的突出中心点的作用以达到平滑的目的。
加权平均对靠近中心(x,y)的点权值为对角线方向邻点的权值的 2 倍。 有时为了检测特定方向上的边缘也采用特殊的方向算子如检测 45°或135°边缘的 Sobel 方向算子 Prewitt 梯度算子
3x3 的梯度模板 Prewitt 边缘检测算子为 Prewittl 边缘检测效果图 微分算子小结
一阶微分算子(梯度算子)能用来①突出小缺陷②去除慢变化背景
二阶微分算子(Laplace 算子)能用来①增强灰度突变处的对比度
注对 NxN 数字图像不可能在最后一行(xN)和最后一列(yN)像素上计算梯度值。一种补救办法用前一行(xN-1)和前一列(yN-1)对应像素的梯度值。
三、图像频率域处理傅里叶变换与频率滤波
1、傅里叶级数与傅里叶变换
欧拉公式
傅里叶级数 傅里叶变换
傅里叶反变换
利用欧拉公式变形
冲激串 冲激串的傅里叶变换
卷积
上面卷积的傅里叶变换 在上式使用可得其中H()是h(t)的傅里叶变换 如果将 t 的域称为空间域将的域称为频率域那么上式告诉我们空间域中两个函数的卷积的傅里叶变换等于频率域中两个函数的傅里叶变换的乘积。反过来如果有两个变换的乘积那么可以通过计算傅里叶反变换得到空间域的卷积。
取样后的函数
取样后的函数的傅里叶变换
冲激串的傅里叶变换
由一维卷积的定义可直接得到F()和S()的卷积 最后一步由冲激的取样性质得到 取样定理 一级离散傅里叶变换 正变换DFT 反变换
x和y表示图像坐标变量u和v表示频率变量
二维离散傅里叶变换 傅里叶频谱和相角 离散傅里叶变换的重要性质
1可分离性 2平移性 3周期性 4共轭对称性 5旋转不变性 6比例性
7旋转性
8卷积定理 2、取样定理的时域表示与频域表示
时域采样定理香农定理
对于频谱受限的信号x(t)如果其最高频率分量为为了保留原信号的全部信息或能无失真地恢复原信号在通过采样得到离散信号时其采样频率应满足≥2。通常把最低允许的采样频率2称为奈奎斯特(Nyquist)频率。
频域采样定理
对于一个长度为2的时限信号为了能够从频域样本集合完全恢复原信号的频谱其频域的采样间隔必须满足≤/。
3、图像频域滤波
频率域中的滤波过程如下首先修改傅里叶变换以达到特定目的然后计算 IDFT反变换返回到空间域。
频域滤波基本步骤 平滑低通滤波器理想低通、巴特沃斯低通、高斯低通
图像的平滑除了在空间域中进行外也可以在频率域中进行。图像中噪声或者物体边缘处灰度的变化剧烈对应频谱的高频分量物体内部灰度分布均匀变化平稳对应频谱的低频分量。为了去除噪声改善图像质量可采用低通滤波器来去除或削弱抑制高频成分通过低频成分后再进行傅立叶逆变换获得滤波图像从而实现消除或抑制噪声达到平滑图像的目的。
能够利用低通滤波器去除噪声处理图像的主要原因
①90%以上的功率(能量)集中在低频成分中
②随滤波器半径的增加越来越少的功率被滤除掉使模糊减弱。
理想低通滤波器ILPF振铃
优点在截频半径为 D0 的圆内的所有频率都能没有衰减无损地通过滤波器在此截频半径圆之外的所有频率分量完全被衰减掉。
缺点理想低通滤波器平滑处理的概率清晰但在处理过程中会产生较严重的模糊和振铃现象D0 越小这种现象越严重。 巴特沃斯低通滤波器(BLPF) 巴特沃斯低通滤波器又被称为最大平坦滤波器。它与理想低通滤波器不同它的特性是连续性衰减H(uv)不是陡峭的截止特性它的通带和阻带之间无明显得不连续性有一个平滑过渡带无陡峭变化。通常把 H(uv)下降到某一值得那点定位截止频率 。它的尾部会包含大量的高频成分。与理想低通滤波器的处理结果相比采用该滤波器滤波处理的图像在抑制噪声的同时图像边缘的模糊程度大大减小没有振铃效应产生。 通常BLPF 的平滑效果好于 ILPF(振铃现象)。 注对于 BLPF 滤波器n2 是临界值当 n 大于 2 时会有明显振铃现象。 高斯低通滤波器(GLPF) 采 用 该 滤 波 器 滤 波 在 抑 制 噪 声 的 同 时 图 像 边 缘 的 模 糊 程 度 较 用Butterworth 滤波产生的大些无明显的振铃效应。 低通滤波器举例—模糊平滑
字符识别通过模糊图像桥接断裂字符的裂缝
印刷和出版业从尖锐的原始图像产生平滑、柔和的外观如人脸减少皮肤细纹的锐化程度和小斑点
处理卫星和航空图像尽可能模糊细节而保留大的可识别特征。低通滤波通过消除不重要的特征来简化感兴趣特征的分析
锐化(高通)滤波器增强图像理想高通、巴特沃斯高通、高斯高通
图像锐化目的加强图像轮廓使图像看起来比较清晰。
图像中的边缘和线条等细节对应图像中的高频成分然而图象只有很少的能量集中在高频所以需要增强这些细节。
锐化就是进行频域高通滤波为了消除模糊突出边缘。使图像低频成分削弱高频加强边缘或线条变得更清楚从而实现了图像的锐化。
使高频通过而使低频衰减的滤波器
①被高通滤波过的图像比原始图像少了灰度级的平滑过渡而突出了边缘等细节部分
②类比空间域的梯度算子、拉普拉斯算子
高通与低通对称对照前面说的低通滤波器高通滤波器转移函数
四、图像复原
1、图像复原模型 2、常用噪声模型
高斯噪声 瑞利噪声 伽马(爱尔兰)噪声 指数分布噪声 均匀分布噪声 脉冲噪声(椒盐噪声) 几种噪声的运用
高斯噪声用于描述源于电子电路噪声和由低照明度或者高温带来的传感器噪声
瑞利噪声用于在图像范围内特征化噪声现象
伽马分布和指数分布用于描述激光成像噪声
均匀密度分布作为模拟随机数产生器的基础
脉冲噪声用于描述成像中的短暂停留例如错误的开关操作
3、图像去噪
噪声均值滤波算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器 算术均值滤波器 几何均值滤波器 谐波均值滤波器盐、高斯噪声 逆谐波均值滤波器Q为正胡椒Q为负盐 统计排序滤波器中值滤波器、最大值滤波器、最小值滤波器、中点滤波器、修正后的阿尔法均值滤波器 中值滤波器 最大值滤波器胡椒 最小值滤波器盐 中点滤波器高斯、均匀 修正后的阿尔法均值滤波器 去噪滤波器总结
高斯噪声——平均滤波、高斯滤波、中点滤波
均匀噪声——均值滤波、中点滤波
椒盐噪声——中值滤波
胡椒噪声——最大值滤波器
盐噪声——最小值滤波器
五、图像几何变换与配准
图像的几何变换包括了图像的形状变换和图像的位置变换。
图像的形状变换是指图像的放大、缩小与错切。
图像的位置变换是指图像的平移、镜像与旋转。
图像的仿射变换是采用通用的数学影射变换公式来表示几何变换。
图像的几何变换不改变像素的值只改变像素的位置。
1、几何变换原理
几何变换改变图像中像素的空间排列这些变换通常称为橡皮膜变换因为它们类似于在一块橡皮膜上“打印”图像然后根据预定义的一组规则来拉伸或收缩橡皮膜。
几何变换可分为坐标的空间变换、灰度插值即为空间变换后的像素赋灰度值
坐标变换可表示为 2、图像的仿射变换及表示 详解可参考以下文章 【数字图像处理】第4章 图像的几何变换_数字图像处理对图片的几何处理-CSDN博客 矩阵-图形学Transform矩阵3维 2维 平移旋转缩放_游戏逆向|游戏安全|yxfzedu.com 图像算法原理与实践——图像校正之 几何变换 - 知乎 3、图像的投影变换及表示 详解可参考下面的文章 计算机图形学入门05投影变换-CSDN博客 基本图像变换线性变换,仿射变换投影变换_线性变换有哪几种-CSDN博客 10-geometry-transformation-notes.pdf 4、图像配准问题
配准是指将两张或多张图像对齐的过程。对于平面图像的配准通常使用的是仿射变换或透视变换。
仿射变换适用于平移、旋转、缩放和剪切矩阵有6个自由度需要至少3对匹配点提供6个方程。
透视变换适用于更复杂的视角变化矩阵有8个自由度需要至少4对匹配点提供8个方程。
5、几何变换中的内插处理最近邻内插、双线性内插、双三次插值
内插是用已知数据来估计未知位置的值的过程
最近邻内插
将原图中最近邻的灰度赋给了每个位置。
在原图像中寻找最接近的像素并把该像素的灰度赋给加想要创建大小的网格中的新像素。当我们完成对网格中覆盖的所有点的灰度赋值后就把图像扩展到原来规定的大小得到放大后的图像。
本方法不常用是因为会产生不希望的人为缺陷的倾向如某些直边缘的严重失真。
双线性内插
报据投影点周围4个相邻像素灰度值按权重计算输出像素灰度值 详情可参考以下文章一篇文章为你讲透双线性插值 - 知乎 双三次插值
它包括16个最近邻点4个方程组 六、彩色图像处理
1、颜色模型、颜色通道 RGB 彩色模型(面向硬件)
红绿蓝针对彩色显示器和彩色摄像机
HSI 模型
色调、饱和度、亮度针对人们描述和解释颜色的方式它能够解除图像中颜色和灰度级信息的联系
CMY 和 CMYK 彩色空间
青、深红、黄、黑针对彩色打印
设备无关彩色模型 2、彩色分割 七、图像形态学图像处理
二值图像膨胀与腐蚀、开闭运算、形态学重建
腐蚀
概念
每当在目标图像 A 中找到一个与结构元素 B 相同的子图像时就把该子图像中与 B 的原点位置对应的那个像素位置标注为 1图像 A上标注出的所有这样的像素组成的集合即为腐蚀运算的结果简而言之腐蚀运算的实质就是在目标图像中标出那些与结构元素相同的子图像的原点位置的像素。
注意结构元素中的原点位置可以不为 1但要求目标图像中的子图像与结构元素 B 的原点对应的那个位置的像素值是 1。
当结构元素在目标图像上平移时结构元素中的任何元素不能超出目标图像的范围。 结构元素形状对腐蚀运算结果的影响
腐蚀运算的结果不仅与结构元素的形状(矩形、圆形、菱形等)选取有关而且还与原点位置的选取有关。 腐蚀运算在物体识别中的应用 膨胀
概念
先对结构元素 B 做关于其原点的反射得到反射集合然后再在目标图像 A 上将平移 y则那些平移后与目标图像 A 至少有 1 个非零公共元素相交时对应的的原点位置所组成的集合就是膨胀运算的结果。
膨胀运算的基本过程是
1求结构元素 B 关于其原点的反射集合
2每当结构元素B在目标图像 A 上平移后结构元素与其覆盖的子图像中至少有一个元素相交时就将目标图像中与结构元素的原点对应的那个位置的像素值置为“1”否则置为 0
注意
1当结构元素中原点位置的值是 0 时仍把它看作是 0 而不再把它看作是 1。
2当结构元素在目标图像上平移时允许结构元素中的非原点像素超出目标图像范围。
结构元素形状对膨胀运算结果的影响
当目标图像不变但所给的结构元素的形状改变时或结构元素的形状不变而其原点位置改变时膨胀运算的结果会发生改变。
膨胀运算的应用 腐蚀运算与膨胀运算的对偶性
也即对目标图像的膨胀运算相当于对图像背景的腐蚀运算操作对目标图像的腐蚀运算相当于对图像背景的膨胀运算操作。 开运算先腐蚀后膨胀 闭运算先膨胀后腐蚀 开运算与闭运算对比
开运算通常平滑物体的轮廓、断开狭窄的狭颈、消除细长的突出物闭运算同样平滑轮廓但与开运算相反它通常弥合狭窄的断裂和细长的沟壑消除小孔并填补轮廓中的缝隙。 开运算与闭运算的对偶性
闭运算可以使物体的轮廓线变得光滑闭运算具有磨光物体内边界的作用而开运算具有磨光图像外边界的作用。 形态学重建 灰度图像膨胀与腐蚀、开闭运算、形态学重建
膨胀
取模版内值最大的那个(不平坦结构元还要与模版的值相加再比较)
效果被暗区包围的亮区区域变大而被亮区包围的暗区区域变小 腐蚀
取模版内值最小的那个(不平坦结构元还要与版的值相减再比较)
效果原始图像中被暗色域包围的亮色域的区域大小会收缩而被亮色域包围的暗色域的区域大小会扩张 开运算
效果去除局部高亮区域 闭运算
效果去除局部暗淡区域(“阴闭”) 形态学重建 详解请参考以下文章8、灰度图的腐蚀、膨胀、开闭运算、顶帽底帽_灰度腐蚀-CSDN博客 形态学之灰度形态学-CSDN博客
