二值图像处理与形状分析8

第八章二值图像处理与形状分析二值图像处理的流程如图8.1.1所示。首先介绍二值图像的几何概念；其次是讲解二值图像连接成分的各种变形算法；最后简介二值图像特征提取与描述的各种方法。8.1二值图像的连接性和距离在二值图像特征分析中最基础的概念是二值图像的连接性（亦称连通性）和距离。1.邻域和邻接对于任意像素(i，j)，把像素的集合{(j+p，j+q)}(p,q是一对适当的整数)叫做像素(i，j)的邻域。直观上看，这是像素(i，j)附近的像素形成的区域。最经常采用的是4-邻域和8-邻域。①4-邻域与4-邻接②8-邻域与8-邻接2.像素的连接对于二值图像中具有相同值的两个像素a和b，所有和a、b具有相同值的像素系列p0(=a),p1,p2,…,pn-1,pn(=b)存在，并且pi-1和pi互为4-/8-邻接，那么像素a和b叫做4-/8-连接，以上的像素序列叫4-/8-路径。如图8.1.3。图8.1.4连接性矛盾示意图图8.1.5连接成分单重连接成分多重连接成分孔如果把1-像素看成8-连接，那么0-像素就必须用4-连接。3.连接成分在二值图像中，把互相连接的像素的集合汇集为一组，于是具有若干个0值的像素(0像素)和具有若干个1值的像素(1像素)的组就产生了。把这些组叫做连接成分。4．欧拉数在二值图像中，1像素连接成分数C减去孔数H的值叫做这幅图像的欧拉数或示性数。若用E表示图像的欧拉数，则E=C-H(8.1-1)对于一个1像素连接成分，1减去这个连接成分中所包含的孔数的差值叫做这个1像素连接成分的欧拉数。显然，二值图像的欧拉数是所有1像素连接成分的欧拉数之和。5．像素的可删除性和连接数二值图像上改变一个像素的值后，整个图像的连接性并不改变（各连接成分既不分离、不结合，孔也不产生、不消失），则这个像素是可删除的。{}∑∈++−=SkkkkkcpBpBpBpBpN)()()()()(21)8([]∑∈++−=SkkkkkcpBpBpBpBpN)()()()()(21)4(像素的可删除性可用像素的连接数来检测。二值图像中B(p)=1时，像素p的连接数Nc（p）为与p连接的连接成分数。计算像素p的4-/8-邻接的连接数公式分别为p2pp0p1p3p4p5p6p7S=0,2,4,6同一图像的像素，在4-或8-邻接的情况下，该像素的连接数是不同的。像素的连接数作为二值图像局部的特征量是很有用的。按连接数Nc(p)大小可将像素分为以下几种：⑴孤立点：B（p）=1的像素p，在4-/8-邻接的情况下，当其4-/8-邻接的像素全是0时，像素p叫做孤立点。其连接数Nc(p)=0。⑵内部点：B（p）=1的像素p，在4-/8-邻接的情况下，当其4-/8-邻接的像素全是1时，叫做内部点。内部点的连接数Nc(p)=0。p7p5p3p2p6p1Nc(p)１删除点或端点；２连接点；３分支点；４交叉点。4p⑷背景点：把B（p）=0的像素叫做背景点。⑶边界点:在B（p）=1的像素中，把除了孤立点　　　　　和内部点以外的点叫做边界点。边界上点，1≤Nc(p)≤4。6.距离对于集合S中的两个元素p和q，当函数D(p,q)满足下式的条件时，把D(p,q)叫做p和q的距离，也称为距离函数。计算点（i,j）和（h,k）间距离常用的方法有：⎪⎩⎪⎨⎧+≤=≥),(),(),(),(),(0),(rqDqpDrpDpqDqpDqpD欧几里德距离de[(i,j),(h,k)]=((i-h)2+(j-k)2)1/24-邻点距离d4[(i,j),(h,k)]=|i-h|+|j-k|8-邻点距离d8[(i,j),(h,k)]=max(|i-h|,|j-k|)8角形距离　d0[(i,j),(h,k)]=max{|i-h|,|j-k|,[2(|i-h|+|j-k|+1)/3]}8.2二值图像连接成分的变形操作(也称二值图像的增强处理)对二值图像进行增强处理，称为二值图像连接成分的变形操作。以便从二值图像中准确提取有关特征，8.2.1连接成分的标记为区分二值图像中的连接成分，求得连接成分个数，对属于同一个１像素连接成分的所有像素分配相同的编号，对不同的连接成分分配不同的编号的操作，叫做连接成分的标记。8.2.2膨胀和收缩膨胀就是把连接成分的边界扩大一层的处理。收缩则是把连接成分的边界点去掉从而缩小一层的处理。若输出图像为g(i,j),则它们的定义式为⎩⎨⎧=⎩⎨⎧=其他邻域的一个像元为或其像元收缩：其他邻域的一个像素为或其为像元膨胀：10-/8-4j)(i,0j)g(i,01-/8-41j)(i,1j)g(i,膨胀和腐蚀的反复使用就可检测或清除二值图像中的小成分或孔。8.2.3线图形化1.距离变换和骨架距离变换是求二值图像中各1像素到0像素的最短距离的处理。在经过距离变换得到的图像中，最大值点的集合就形成骨架，即位于图像中心部分的线像素的集合，也可以看作是图形各内接圆中心的集合。它反映了原图形的形状。给定距离和骨架就能恢复该图形，但恢复的图形不能保证原始图形的连接性。常用于图形压缩、提取图形幅宽和形状特征等。2.细化细化是从二值图像中提取线宽为1像素的中心线的操作。3.边界跟踪为了求得区域间的连接关系，必须沿区域的边界点跟踪像素，称之为边界（或边缘）跟踪。边界跟踪是在图像边缘连接明确的假设下进行的。但实际上很多图像的边缘连接并不是明显的，这时可以采用浓淡图像直接跟踪边缘的方法。直接跟踪浓淡图像边缘的时候，必须同时进行边缘检出。边缘检出算法之一，就是根据图像斜率的大小和方向跟踪边缘的像素。当边缘是直线时，这种方法比较简单。8.3形状特征提取与分析形状分析是指用计算机图像处理与分析系统对图像中的诸目标提取形状特征，对图像进行识别和理解。•形状特征的表达必须以对图像中物体或区域的分割为基础；•由于当前的技术无法做到准确而稳健的自动图像分割，所以形状特征只能应用在某些特定的场合；•形状特征必须满足对变换、旋转和缩放无关；区域形状特征的提取有三类方法：•区域内部（包括空间域和变换域）形状特征提取；•区域外部（包括空间域和变换域）形状特征提取；•利用图像层次型数据结构，提取形状特征。8.3.1区域内部形状特征提取与分析1．区域内部空间域分析1）欧拉数：欧拉数是图像的拓扑性质度量，用来表明图像的连通性。欧拉数定义为连通部分数和孔数H的差。1－1＝01－2＝-12)凸凹性：区域内任意两点间的连线穿过区域外的象素，则此区域为凹形。区域的凹特性用凹性率来表示：凸形面积/凹图形面积3）区域的测量区域的大小及形状描述量：a.面积：区域内像素的总和b.周长：常用的有两种：一种计算方法是在区域的边界像素中，设某像素与其上下左右像素间的距离为1，与斜方向像素间的距离为。周长就是这些像素间距离的总和。另一种计算方法将边界的像素总和作为周长。c.圆形度：此外，常用的特征量还有区域的幅宽、占有率和直径等。d.形状复杂性：)23.8()()(42−=周长面积πRSLe/2=形状复杂性描述了区域单位面积的周长大小，单位面积的周长大，区域离散；单位面积的周长小，说明形状简单。2e.区域重心；–区域内点的坐标的均值；f.区域灰度；–描述区域的灰度特性，包括灰度（或各种颜色分量）的最大值，最小值，均值，方差等2.区域内部变换法区域内部变换是形状分析的经典方法，它包括求区域的各阶统计矩、投影和截口等。1)矩法函数f(x,y)的(p+q)阶矩定义式为那么大小为n×m的数字图像f（i,j）的矩为0阶矩m00是图像灰度f(i,j)的总和；二值图像的m00表示对象物的面积；{})33.8(,2,1,0,),(0−=∈Δ∫∫+∞∞−+∞∞−LLNqpdxdyyxfyxmqppq)43.8(),(11−=∑∑==nimjqppqjifjim如果用m00来规格化1阶矩m10及m01，则得到中心坐标（iG,jG）。中心矩定义式为利用中心矩可以提取区域的一些基本形状特征。例如M20和M02分别表示围绕通过灰度中心的垂直和水平轴线的惯性矩。假如M20＞M02，则可能所计算的区域为一个水平方向延伸的区域。当M30=0时，区域关于i轴对称。同样，当M03=0时，区域关于j对称。∑∑==−−−=nimjqGpGpqjifjjiiM11)63.8(),()()(8.3.2.区域外部形状特征提取与分析1.区域的边界、骨架空间域分析链码：链码是一种边界的编码表示法。0123014672354-链码8-链码4-链码：000033333322222211110011有了方向链以后，通常还要加一些标识符：1）加入链码结束标志，如！2）加上起始点的x，y，Z坐标。有了链码后可以得出很多和链码相关的形状特征：™区域边界的周长™链码所围成区域的面积2.区域外形变换法区域外形变换是指对区域的边界作各种变换，包括区域边界的付立叶描述算子、Hough变换和广义Hough变换、区域边界和骨架的多项式逼近等。这样将区域的边界或骨架转换成向量或数量，并把它们作为区域的形状特征。