形态学处理 -

形态学处理

颜色空间(Color Space)

RGB —— 面向“显示设备”

R = Red(红),G = Green(绿),B = Blue(蓝)

通过红、绿、蓝三种光按不同强度叠加,混合出各种颜色

每个分量通常用 0–255 表示强度(255, 0, 0) → 纯红;(0, 255, 0) → 纯绿;(0, 0, 255) → 纯蓝;(255, 255, 255) → 白色)

特点:

最接近显示器、摄像头、手机屏幕等硬件工作方式

但不太符合人眼感知颜色的方式

目前所有看见的图片都是RGB显示的,HSV代表一种数学运算,YCbCr是代表一种压缩策略

HSV —— 面向“人眼感知”,本质是一种算法

H = Hue(色相),S = Saturation(饱和度),V = Value(明度)

用色相:是什么颜色(红、黄、蓝…),饱和度:颜色有多“纯”,明度:颜色有多“亮”

非常符合人类直觉,方便做颜色分割、颜色识别,对光照变化比 RGB 更鲁棒

红色:H ≈ 0° 绿色:H ≈ 120° 蓝色:H ≈ 240°,S = 0 → 灰色,V = 0 → 黑色

颜色识别(如红绿灯、肤色检测),图像分割,计算机视觉(OpenCV 常用)

RGB图像转HSV调节后,能单独改“颜色(加减色相度数)、鲜艳度(S取值)、亮度(V取值)”,而且不容易把照片改脏,再转回到RGB。

YCbCr —— 面向“压缩与传输”

Y = 亮度(Luminance),Cb = 蓝色色度(Blue Chrominance),Cr = 红色色度(Red Chrominance)

亮度信息 Y(人眼最敏感),色彩信息 Cb、Cr(人眼较不敏感),可以对 Cb、Cr 进行降采样,从而压缩数据

RGB转YCbCr,YCbCr能选择压缩的策略(最常用的4:2:2)对于图像进行压缩,因为人眼对于色彩信息并不明白,所以就能够非常好的将原来巨大的图像压缩到一个能够传输的范围中。

4:4:4 → 4个像素,每一个像素都有 Cb、Cr ,取两行

4:2:2 → 4个像素,Cb 有2个,Cr 有2个,取两行

4:2:0 → 4个像素,Cb 有2个,Cr 有2个,取一行,第二行直接复制第一行的结果,压缩最狠

我们所有设备看的图像都是RGB,HSV和YCbCr不会用肉眼看见!

颜色空间 核心思想 关键词
RGB 光的三原色叠加 显示、硬件
HSV 人眼如何感知颜色 色相、饱和度、明度
YCbCr 亮度与色彩分离 压缩、视频

基本概念与阈值化

形态学可用于提取有助于表征和描述区域形状的图像组件,例如

– boundary extraction(边界提取)

– skeletons (骨架)

– convex hull (凸包)

– morphological filtering (形态学滤波)

– thinning (细化)

– pruning (修剪)

形态学操作是在二值图像上进行的,因此图像需要先进行二值化处理。

所谓二值化就是将图片根据所需的要求进行阈值判断,高于阈值为1,低于阈值为0,这样就能将图片转为一个纯黑白的二值图像

集合的概念(图像处理)

数学形态学中的集合表示图像中的对象:

二值图像中(0代表背景,1代表前景):集合中的元素为属于对象 Z^2 的像素坐标 (x,y)。(Z的平方表示这是一个二维空间,对于任何一个像素,需要横纵坐标来确定其位置,所以这里取的平方。Z的三次方代表是一个灰度图,因为灰度会再需要一个自由度)


Set & logical operations:


  • (1) 原始集合 \(B\)(带有一个参考点);
  • (2) 相对于参考点翻转后的反射集合 \(\widehat{B}\);
  • (3) 沿向量 \(z\) 平移后得到的集合 \((B)_z\)。

Dilation & Erosion / 膨胀与侵蚀

Structuring elements(SE)/结构元素:


膨胀的例子:

锚定参考点:将结构元素 \(B\) 的中心(原点/参考点,即图例中的黑点)放置在图像 \(A\) 的每一个背景(“0”)像素上。

邻域判定:如果此时结构元素 \(B\) 覆盖的范围内,有任何一部分与图像 \(A\) 的前景(“1”)重叠,那么这个原本是背景的像素就会被“膨胀”成前景(“1”)。

本质:前景区域向外扩张,填补边缘的背景,使物体变大。

[简单理解:A是原本集合,B为结构元素,相当于将B沿着A的边框一圈,原本是背景的像素就会被“膨胀”成前景(“1”)。]

下面图片是膨胀运算中的一个经典实际应用:缝隙填充(gap filling),用结构元素实现了图像各向同性的微小扩张,达到填缝效果。


侵蚀的例子:

腐蚀(\(A \ominus B\)):把 \(B\) 的反射 \(\widehat{B}\) 的中心放在某像素上,

[我们用的十字形和矩形,所以对称图形翻转后不变,反射步骤被“隐式省略”了,直接用原 \(B\) 算结果一致。]

只有当 \(B\)(平移后)完全包含在 \(A\) 内部时,该像素才保留为前景 → 收缩。

上述图片中,将B放在A的轮廓上,有d/8的边框被侵蚀了;当一个长条进行侵蚀时,那么满足条件:完全包含在B内部就形成了一个水平的长条。

运用:

  • 图 (a):原始状态,细线(辐射状)和粗线、方块都保留。
  • 图 (b)(11×11 SE):腐蚀开始。细线宽度若小于结构元素尺寸,无法容纳 SE,被大面积消除;方块边缘向内收缩,但主体仍在。
  • 图 (c)(15×15 SE):腐蚀增强。剩余细线进一步变短/消失,方块继续缩小,粗线变细。
  • 图 (d)(45×45 SE):强力腐蚀。几乎所有细线、连线都被移除,仅剩最大的白色方块(焊盘)核心,且面积已大幅缩小。

Dilation-Erosion duality/对偶性

\[\begin{gathered}\begin{pmatrix}A&\Theta B\end{pmatrix}^c=\left\{z|\left(B\right)_z\subseteq A\right\}^c=\left\{z|\left(B\right)_z\cap A^c=\emptyset\right\}^c\\=\left\{z|\left(B\right)_z\cap A^c\neq\emptyset\right\}=A^c\oplus\hat{B}\end{gathered} \]

\[膨胀的标准定义:A\oplus B=\left\{z|\left(\hat{B}\right)_z\cap A\neq\emptyset\right\} \]

对偶定理:对图像 A 做腐蚀,再取反(补集)等价于 先对图像 A 取反,再用“反射后的结构元素”做膨胀。


Opening & Closing /开运算与闭运算

扩张会使体积增大,而侵蚀会使体积缩小。

Opening:

• Smooth contour:平滑轮廓,整体尺寸基本恢复,但边缘毛刺被磨平

• Break narrow isthmuses:腐蚀会切断细弱连接

• Remove thin protrusion:先腐蚀把突出部分削没,再膨胀时主体恢复但毛刺移除

Closing:

• Smooth contour:同样平滑边界,但方向与开运算相反

• Fuse narrow breaks, and long thin gulfs:膨胀能够连接起裂缝连接

• Remove small holes, and fill gaps:膨胀填满内部小洞,再腐蚀时外轮廓回缩但孔洞消失。


Opening: to open up thin connections;Closing: to close up narrow gaps

适用于两种操作的结构元素:

\[开运算(定义:先腐蚀,后膨胀):A\circ B=\begin{pmatrix}A&\Theta B\end{pmatrix}\oplus B \]

\[闭运算(先膨胀,后腐蚀):A\bullet B=\left(A\oplus B\right)\Theta B \]

下面的完整例子能够很好的证明上述开闭运算的性质:


开运算与闭运算在真实指纹图像上的降噪(Noise reduction)全过程。

  1. 初始状态与腐蚀(图 a → c)
  • 图 (a):带噪指纹,存在大量白点噪声(椒盐噪声中的白点)和纹理断裂。
  • 图 (c) 腐蚀(\(A \ominus B\)):使用 3x3 方块腐蚀。细小的白点噪声因无法容纳结构元素被彻底消除;同时指纹脊线变细,部分脆弱连接被切断(对应之前学的“收缩/去细枝”)。
  1. 开运算(图 c → d):去噪与恢复
  • 图 (d) 开运算(\((A \ominus B) \oplus B\)):对腐蚀结果做膨胀(先腐后膨)。
  • 效果:脊线主体恢复原有粗细,但被切断的细小噪声和毛刺无法长回。结果轮廓变平滑,背景白点大幅减少(对应“开运算去突起/断细连”)。
  1. 开运算的膨胀(图 d → e):缝隙暴露
  • 图 (e) 开运算的膨胀(\((A \circ B) \oplus B\)):对开运算结果再次膨胀。
  • 效果:脊线进一步变粗,但由于开运算已断开部分细连,此时膨胀会让边缘外扩,内部断裂和小孔洞更明显(为下一步闭运算做铺垫)。
  1. 开运算的闭运算(图 e → f):填洞连断
  • 图 (f) 闭运算(\((A \circ B) \bullet B\)):对图(e)做闭运算(先膨后腐)。
  • 效果:膨胀先填补脊线间小孔与窄缝(“小突起填缝”),腐蚀再让外轮廓略缩。最终指纹脊线连贯、平滑,断裂被修复,整体达到最佳降噪效果(开+闭是经典降噪组合)。

击中-击不中变换,核心用于形状检测与精确定位

这里简单概括:如何去确认物体D,首先有一个略微大于D的框(W-D),然后使用这个框去做侵蚀,小物体E就直接被清除了,保留下来C,D。再将原图像取反A^c,将框放在上面,如果沿着物体一周均为背景,那么就确认为物体D,C因为太大了也被排除。


边界提取


区域填充算法:

它的核心目标是:从一个封闭边界内的种子点出发,逐步“涨水”填满整个内部区域,且绝不溢出边界。

X0=p:初始化。在封闭边界内选一个起始种子点 p(如图中 X0的单格)。

然后用那个3×3的小方块结构元素 B,让当前所有灰色格子同时向上下左右各扩展一格。遇到墙的部分无效。

直到Xk+1等于Xk代表不存在任何能继续扩展的部分。最后与原轮廓合并就得到区域填充后的图像。


Connected component (连通分量/blob):

任意两点之间都存在连通路径的点集

连通性分为 4-连通或 8-连通。这两种情况会形成不同的连通分量。4-连通区域意味着:对于当前“1”,其上方、下方、左侧或右侧的任意位置若为“1”,则满足条件;8-连通区域则意味着:对于当前“1”,其八个相邻位置中的任意一个若为“1”,则满足条件。

同样的,在像素上选定一个点P,将其开始扩展(图中为8连通),直到没有任何可连接区域。

连通分量告诉了我们怎么定义图像部分是“连在一起”(4连通 vs 8连通),以及这种“找连片区域”的方法叫斑点分析。


Original(原图):原始的X光图像,有明亮的骨骼和较暗的软组织背景。

Threshold(阈值化):把原图变成黑白二值图。亮度高的(骨头)变白(对应上一张图的“1”),暗的变黑(对应“0”)。此时你能看到骨骼轮廓,但也带了一些噪点,且骨骼内部有缝隙。

Erosion (5×5)(5×5腐蚀):这是形态学操作(和你之前学的“膨胀填充”相反,腐蚀是变瘦)。用5×5的核让白色区域“瘦一圈”。目的是去噪(去掉极小的白点)和分离粘连。图中可见细小噪点没了,骨骼主体保留但变细。

右侧:连通域提取与大小统计

红字“Connected Components with size”指向表格,表示对处理后的图像(通常是腐蚀后的图)进行连通域标记,并统计每个“斑点(Blob)”的大小:

  • Connected component(连通域编号):01到15,代表找到了15个独立的白色块(按4连通或8连通规则)。

  • No. of pixels(像素数量):每个块包含的像素点数(即大小)。

    比如 08号有743像素,14号有674像素,这两个大块显然就是主要的骨骼(大腿骨/小腿骨)。

    而 06、07号只有1个像素,就是微小噪点;其他几十像素的是小骨节或残留。

  • 实际应用中,常通过面积筛选(比如只保留像素>100的),就能把大骨头提取出来,忽略小噪点。


骨架

Skeletonization A with notation S(A)

1. 每一个点都要“塞”一个圆

对于图形内部的每一个点,都尝试以它为圆心画一个圆,要求这个圆必须完全在图形内部,并且要尽可能大(直到刚好顶到边界)。

2. 筛选:顶住至少两点的圆

不是所有点都能成为骨架。只有当你画的这个“最大圆”同时碰到边界至少两个不同点时,这个圆的圆心才属于骨架。

  • 在直道里:圆左右顶住,圆心在中线。
  • 在分叉口(如Y型):圆变大,同时顶住三个方向的边界,圆心就是分叉点。
  • 在单纯变宽/变窄的过渡区:圆心轨迹依然居中,但圆半径随宽度变化。

3. “无数个圆”连成线

因为图形内部有无数个点(连续空间),理论上你要尝试无数个圆心,得到无数个最大圆。把这些符合条件的圆心全部连起来,就形成了图中那条虚线的“单像素宽骨架”。

各臂和底部画了虚线小三角/切点标记:代表在不同位置,“最大圆”顶住边界的位置。

  • 直臂:圆顶左右两壁,圆心居中。
  • 分叉处(V底):大圆同时顶住多方向边界,圆心是分叉点。
  • 端点:圆顶住末端与两侧,圆心在臂正中。
posted @ 2026-10-24 07:38  narilove  阅读(16)  评论(0)    收藏  举报