Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде Matlab (2006) (1246139), страница 69
Текст из файла (страница 69)
Пример 9.9. Морфологическое сглаовсивание с помощью розмъгкания и замыкания. Поскольку размыкание удаляет яркие детали, которых меныпе, чем структурообразующих элементов, а замыкания, наоборот, подавляют аналогичные темные детали малых размеров, то эти процедуры широко используются в различных сочетаниях при сглаживании и удалении постороннего шума.
В этом примере мы применяем функции 1шореп и ушс1ове для сглаживания изображения деревянных шпонок на рис. 9.25, а): 1шхеав11вр1пбв ~рбв). )) ве = всте1('41вкв 5); !~.в. Пг.гиии«и ая аияяиии, им 389) Ргзтлгпвт приве,и и иа риг. И.","и, г'.
Ои является бо аге г, ивпоии ио срявиеиием < ~~~390 г'лая ~ 9. Ми~4ологичесьан о6роб: тки и ~об~жнсгиий ческого рпзмыкания с увеличивающимися размерами. Для каждого акта размыкания вычисляется сумма всех значений пикселов. Эта сумма иногда называется площадью поверхности изображения. Следующие команды реализуют размыкание с помощью (структурообразующего элемента) круга, радиус которого меняется от 0 до 35, применительно к изображению 9.25, а): 1 = 1шгеаб('р1цбв.)рб')! вшпрахе1в = кетов(1, 35); 1ог )с = 0:35 ве = всге1('61вк', )с)! 10 = 1шореп(г', ве); вшпрзхе1вОс + 1) = вшп!бо(:)); епд » р1оп(О:35, вшпр1хе1в), х1аЬе1(')с'), у1аЬе1('Япг1асе агеа') » » » 7 б) !о 10 35 2.5 0.5 0 10 20 30 0 0 1О 20 30 в) Юь 4 0 0 10 20 30 Рис. 0.2т.
Гранулометрия. а) площадь поверхности как функция ратнуса структурообразующего элемента. б) Уменьшение площади поверхности как функция радиуса структурообразующего элемента. е) Уменьшение площади поверхности как функция радиуса для сглаженного изображения На рис. 9.27, а) приведен график зависимости впшрахе1в от радиуса )с.
Более наглядным является график уменьшения площади поверхности между последо- о,25 М 2 н! 5 1 3 Н х о ь о о о к2 в и 1 о с! 2 П "1.5 0.5 (((394 ~:~акч '~. Марфа:.юнчегкая обрпбо пхни и~обрам ски6 >> 1 = ~щ~ед6('~~1су1д~м., юа') В д 9~9~~9 На рис. 9.309 д) дан результат обычной операции «верх шляпы» (т. е.
изображение 1 СЬ). Теперь мы удалим линии вертикальных отблесков на правой стороне каждой кнопки на рис. 9.30, г). Для этого мы воспользуемся размыканием реконструкцией с элементом, который есть короткий горизонтальный отрезок: » я оЬг = 1нгесопвсгпсС(1шегооеИ сЬг, спев(1, 11)), 1 СЬг); На полученном изображении ~см.
рис. 9.30, еЯ вертикальные отблески исчезли. Однако это же случилось с символами, у которых имеются тонкие вертикальные черточки, например, пропала косая черта у символа процента «%», и исчезла вся буква «199 в слове АБ1«д. Тогда мы воспользуемся тем обстоятельством, что буквы с удаленными по ошибке деталями будут близки к другим символам, если сначала выполнить дилатацию ~рис. 9,309 о9с)], » я оЬгб = 1ш611асе(б обг, спев(1, 21)); а затем уже совершить окончательную реконструкцию с изображением Х СЬг в качестве маски и н1п(Е обгй) в качестве маркера: » 12 = 1шгесопвСгпсСбв1п(б оЬгй, 1 СЬг), 1 СЬг); На рис.
9.30, з) приведен окончательный результат. Заметим, что на этом изображении успешно удалены все тени на фоне изображения и все отблески на кнопках. П Выводы Изложенные в этой главе понятия и методы, связанные с морфологическим анализом изображений, образуют весьма эффективный набор инструментов для извлечения различных свойств и характеристик изображений. Основные операции дилатации, эрозии и реконструкции, определенные как для двоичных, так и для полутоновых изображений, могут применяться в различных комбинациях для решения весьма широкого спектра задач обработки изображений. В следующей главе будет показано, как морфологический анализ используется при сегментации изображений.
Кроме того, морфологические методы играют ключевую роль в алгоритмах описания изображений, что будет обсуждаться в гл. 11. ГЛАВА 1О СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ Введение В предыдущей главе мы пере|или от рассмотрения низкоуровневых методов обработки изображений, когда на входе и выходе присутствуют изображения, к изучению методов среднего и высокого уровня, где на вход подается изображение, а выходом процесса обработки служат некоторые свойства и атрибуты, извлеченные из изображения.
Сегментация — это следующий важный шаг в этом направлении. Сегментация делит изображение на составные части и объекты. Степень детализации этого деления зависит от решаемой задачи. Иными словами, сегментацию следует остановить, когда интересующие объекты уже выделены или изолированы.
Например, при осуществлении автоматического контроля при сборке узлов радиоэлектронной аппаратуры важно уметь выявлять определенные дефекты изготавливаемых приборов, таких как отсутствие компонентов или наличие разрывов контактных дорожек на плате. Однако если такие дефекты уже обнаружены, нет необходимости производить сегментацию более мелкого уровня. Сегментация сложных изображений является весьма нетривиальной задачей обработки изображений. Точность сегментации во многом определяет успех конечных компьютеризованных процедур анализа изображений. По этой причине повышенное внимание должно быть уделено надежности первичной сегментации. В некоторых случаях, например, в приложениях контроля промышленных изделий, можно в определенной степени управлять условиями текущей съемки.
В других прикладных задачах, например, при дистанционном зондировании, разработчик может лишь сосредоточить свои усилия на выборе подходящих сенсоров и детекторов. Как правило, алгоритмы сегментации монохромных изображений основаны на одном из двух базовых свойствах яркости изображения: разрывности и однородности. В первом случае подход состоит в разбиении изображения на части исходя из резких перепадов значений яркости, которые происходят, например, па границах объектов.
Вторая группа методов осуществляет разделение изображений на области, однородные в смысле определенных, заранее заданных критериев. В этой главе мы рассмотрим некоторые методы, основанные на этих двух подходах, применительно к монохромным изображениям (обнаружение краев и сегментация цветных изображений обсуждается в з 6.6).
Мы начнем с представления методов, которые пригодны для обнаружения разрывов яркости, например, точек, линий, краев и перепадов. Выделение контуров объектов долгие годы б.. Об „, б б ба являлось основой алгоритмов сегментации. Помимо обнаружения перепадов яркости как таковых, мы рассмотрим подход к обнаружению прямых участков, основанный на преобразовании Хафа. После обсуждения выделения контуров мы рассмотрим методы пороговых преобразований. Пороговая обработка также является одним из фундаментальных подходов к сегментации изображений, завоевавших популярность в приложениях, требующих быстрое принятие решения. Затем будут изложены некоторые подходы к сегментации, ориентированные на выделение областей.
В конце главы мы рассмотрим морфологический подход к сегментации, который называется сегментацией по водоразделам. Этот подход особенно привлекателен, 1юскольку он приводит к замкнутым и четким областнм. Кроме того, он является достаточно общим, а также позволяет использовать априорную информацию об изображениях в конкретных приложениях длн улучшении результатов сегментации. ! О.! . Обнаружение точек, линий и перепадов В этом параграфе рассматривается техника обнаружения трех основных видов разрывов яркости, встречающихся в цифровых изображениях: точки, линии и перепады. Наиболее общий способ поиска таких разрывов заключается в обработке изображения скользящей маской, подобно тому, как описывалось в Ц 3.4 и 3.5.
Дли маски размерами ЗхЗ эта процедура использует вычисление линейной комбинации коэффициентов маски со значениями яркости элементов изображения, накрываемых маской. Отклик В этой процедуры в каждой точке изображения задается выражением 9 77 = ш191 + ш191 + ' ' ' ч ш999 — ~~' шбяб, где з, — это значение яркости пиксела, соответствующего коэффициенту маски и,. Как обычно, отклик маски присваивается элементу, над которым расположен центр маски. 10.1.1.
Обнаружение точек Обнаружение изолированных точек на изображении не представляет большой сложности. Используя маску, показанную на рис. 10.1, будем считать, что в пикселе под центром маски обнаружена точка, если )В)>Т, где Т вЂ” это неотрицательное пороговое значение. Обнаружение точек реализовано в 1РТ с помощью функции 197т'11сег, которая использует маску на рис. 10.1 или другую похожую маску. Важное требование заключается в том, обнаружения тачек что самый сильный отклик маски должен происходить, когда центр маски совмещен с изолированной точкой, а в областях постоянной яркости отклик должен быть равен О. (~ЗРВ Гнала оИ С сиисиинщия изсюСЛансеиий Если поры 7 иден.
~о с.и г.нииия комапля гиап 1лияс1 о6наружонис и ~оли- д.. Од, д дд~~9) Здесь мы выбрали в качестве порога Т максимальное значение фильтрованного изображения и, а затем нашли элементы и, для которых я >= Т, что отвечает максимальному отклику. Мы исходили из предположения, что все такие точки являются изолированными точками, расположенными на однородном (или почти однородном) фоне.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
