基于MATLAB的腐蚀膨胀算法实现

  本篇文章要分享的是基于MATLAB的腐蚀膨胀算法实现,腐蚀膨胀是形态学图像处理的基础,腐蚀在二值图像的基础上做“收缩”或“细化”操作,膨胀在二值图像的基础上做“加长”或“变粗”的操作。

  什么是二值图像呢?把一幅图片看做成一个二维的数组,那么二值图像是一个只有0和1的逻辑数组,我们前面Sobel边缘检测后的图像输出边缘效果,设置个阈值,大于阈值输出为1,小于阈值输出为0,最后输出就是一幅二维图像了。

腐蚀

  腐蚀是一种消除边界点,使边界向内部收缩的过程。可以用来消除小且无意义的物体。用3X3的结构元素,扫描图像的每一个像素,用结构元素与其覆盖的二值图像做“与”操作,如果都为1,结果图像的该像素为1。否则为0。结果会使二值图像小一圈。

  有一个形象的比喻来可以说明该运算,用0表示蛀虫,1表示大米。蛀虫腐蚀大米的过程便是腐蚀运算,

 

腐蚀

  如图所示,对于一个像素矩阵而言,只要有蛀虫(0)的存在,大米(1)就会被腐蚀掉了,即使只存在一个蛀虫(0),但是还是会被蛀虫腐蚀完毕,最后一幅图上面由于没有蛀虫(0)所以大米完好无损。

关于算法的实现,可以用下式子来表示,即3x3像素的运算:

P = P11 & P12 & P13 & P21 & P22 & P23 & P31 & P32 & P33

在FPGA中,为了通过面积去换速度,我们将上式改变如下:                       

P1 = P11 & P12 & P13

P2 = P21 & P22 & P23

P3 = P31 & P32 & P33

P = P1 & P2 & P3

MATLAB中可以直接写一个按位或运算。

膨胀

  膨胀是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程。可以用来填补物体中的空洞。用3X3的结构元素,扫描图像的每一个像素,用结构元素与其覆盖的二值图像做“与”操作,如果都为0,结果图像的该像素为0,。否则为1。结果使二值图像扩大一圈。

  先腐蚀后膨胀的过程称为开运算。用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显的改变其面积。先膨胀后腐蚀的过程称为比运算,用来填充物体内细小空间、连接邻近物体、平滑其边界的同时并不明显改变其面积。

  膨胀算法用最简单的比喻来描述:0表示害虫,1表示青蛙,青蛙吃了害虫表示膨胀运算,我们用3*3像素阵列来解释:

 

膨胀

  如图所示,图左只有害虫(0),所以害虫都活着,中间那个图,虽然只有一个害虫,但是还是会被青蛙全部吃掉,最右边的那幅图,都是青蛙,所以青蛙始终是青蛙。

关于算法的实现,可以用下式子来表示,即3x3像素的运算:

P = P11 | P12 | P13 | P21 | P22 | P23 | P31 | P32 | P33

在HDL中,为了通过面积去换速度,我们将上式改变如下:                             

P1 = P11 | P12 | P13

P2 = P21 | P22 | P23

P3 = P31 | P32 | P33

P = P1 | P2 | P3

MATLAB中可以直接写一个按位与运算。

开运算闭运算

  先腐蚀后膨胀叫开运算,开运算的作用是清除图像边缘周围非边缘的细小的点。先膨胀后腐蚀为闭运算,闭运算的作用是清除图像内部的空洞,

  如果我们的目标物体外面有很多无关的小区域,就用开运算去除掉;如果物体内部有很多小黑洞,就用闭运算填充掉。

MATLAB逻辑运算函数

bitand(), 对十进制数进行逐位逻辑与运算:先将十进制数转换成二进制数,然后逐位与运算,其运算结果转换为十进制。

bitor(), 对十进制数进行逐位逻辑或运算:先将十进制数转换成二进制数,然后逐位与运算,其运算结果转换为十进制。

MATLAB代码实现

  1 %RGB_YCbCr
  2 clc;
  3 clear all;
  4 close all;
  5 
  6 RGB_data = imread('lena.jpg');
  7 
  8 R_data =    RGB_data(:,:,1);
  9 G_data =    RGB_data(:,:,2);
 10 B_data =    RGB_data(:,:,3);
 11 
 12 %imshow(RGB_data);
 13 
 14 [ROW,COL, DIM] = size(RGB_data); 
 15 
 16 Y_data = zeros(ROW,COL);
 17 Cb_data = zeros(ROW,COL);
 18 Cr_data = zeros(ROW,COL);
 19 Gray_data = RGB_data;
 20 
 21 for r = 1:ROW 
 22     for c = 1:COL
 23         Y_data(r, c) = 0.299*R_data(r, c) + 0.587*G_data(r, c) + 0.114*B_data(r, c);
 24         Cb_data(r, c) = -0.172*R_data(r, c) - 0.339*G_data(r, c) + 0.511*B_data(r, c) + 128;
 25         Cr_data(r, c) = 0.511*R_data(r, c) - 0.428*G_data(r, c) - 0.083*B_data(r, c) + 128;
 26     end
 27 end 
 28 
 29 Gray_data(:,:,1)=Y_data;
 30 Gray_data(:,:,2)=Y_data;
 31 Gray_data(:,:,3)=Y_data;
 32 
 33 figure;
 34 imshow(Gray_data);
 35 
 36 %Median Filter
 37 imgn = imnoise(Gray_data,'salt & pepper',0.02); 
 38 
 39 figure;
 40 imshow(imgn);
 41 
 42 Median_Img = Gray_data;
 43 for r = 2:ROW-1
 44     for c = 2:COL-1
 45         median3x3 =[imgn(r-1,c-1)    imgn(r-1,c) imgn(r-1,c+1)
 46                     imgn(r,c-1)      imgn(r,c)      imgn(r,c+1)
 47                     imgn(r+1,c-1)      imgn(r+1,c) imgn(r+1,c+1)];
 48         sort1 = sort(median3x3, 2, 'descend');
 49         sort2 = sort([sort1(1), sort1(4), sort1(7)], 'descend');
 50         sort3 = sort([sort1(2), sort1(5), sort1(8)], 'descend');
 51         sort4 = sort([sort1(3), sort1(6), sort1(9)], 'descend');
 52         mid_num = sort([sort2(3), sort3(2), sort4(1)], 'descend');
 53         Median_Img(r,c) = mid_num(2);
 54     end
 55 end
 56 
 57 figure;
 58 imshow(Median_Img);
 59 
 60 %Sobel_Edge_Detect
 61 
 62 Median_Img = double(Median_Img);
 63 Sobel_Threshold = 150;
 64 Sobel_Img = zeros(ROW,COL);
 65 
 66 for r = 2:ROW-1
 67     for c = 2:COL-1
 68         Sobel_x = Median_Img(r-1,c+1) + 2*Median_Img(r,c+1) + Median_Img(r+1,c+1) - Median_Img(r-1,c-1) - 2*Median_Img(r,c-1) - Median_Img(r+1,c-1);
 69         Sobel_y = Median_Img(r-1,c-1) + 2*Median_Img(r-1,c) + Median_Img(r-1,c+1) - Median_Img(r+1,c-1) - 2*Median_Img(r+1,c) - Median_Img(r+1,c+1);
 70         Sobel_Num = abs(Sobel_x) + abs(Sobel_y);
 71         %Sobel_Num = sqrt(Sobel_x^2 + Sobel_y^2);
 72         if(Sobel_Num > Sobel_Threshold)
 73             Sobel_Img(r,c)=255;
 74         else
 75             Sobel_Img(r,c)=0;
 76         end
 77     end
 78 end
 79 
 80 figure;
 81 imshow(Sobel_Img);
 82 
 83 %imopen Erosion_Dilation
 84 %Erosion
 85 % Erosion_img = zeros(ROW,COL);
 86 % for r = 2:ROW-1
 87     % for c = 2:COL-1
 88         % and1 = bitand(Sobel_Img(r-1, c-1), bitand(Sobel_Img(r-1, c), Sobel_Img(r-1, c+1)));
 89         % and2 = bitand(Sobel_Img(r, c-1), bitand(Sobel_Img(r, c), Sobel_Img(r, c+1)));
 90         % and3 = bitand(Sobel_Img(r+1, c-1), bitand(Sobel_Img(r+1, c), Sobel_Img(r+1, c+1)));
 91         % Erosion_img(r, c) = bitand(and1, bitand(and2, and3));
 92     % end
 93 % end
 94 
 95 % figure;
 96 % imshow(Erosion_img);
 97 
 98 % %Dilation
 99 % Dilation_img = zeros(ROW,COL);
100 % for r = 2:ROW-1
101     % for c = 2:COL-1
102         % or1 = bitor(Erosion_img(r-1, c-1), bitor(Erosion_img(r-1, c), Erosion_img(r-1, c+1)));
103         % or2 = bitor(Erosion_img(r, c-1), bitor(Erosion_img(r, c), Erosion_img(r, c+1)));
104         % or3 = bitor(Erosion_img(r+1, c-1), bitor(Erosion_img(r+1, c), Erosion_img(r+1, c+1)));
105         % Dilation_img(r, c) = bitor(or1, bitor(or2, or3));
106     % end
107 % end
108 
109 % figure;
110 % imshow(Dilation_img);
111 
112 %imclose Erosion_Dilation
113 %Dilation
114 Dilation_img = zeros(ROW,COL);
115 for r = 2:ROW-1
116     for c = 2:COL-1
117         or1 = bitor(Sobel_Img(r-1, c-1), bitor(Sobel_Img(r-1, c), Sobel_Img(r-1, c+1)));
118         or2 = bitor(Sobel_Img(r, c-1), bitor(Sobel_Img(r, c), Sobel_Img(r, c+1)));
119         or3 = bitor(Sobel_Img(r+1, c-1), bitor(Sobel_Img(r+1, c), Sobel_Img(r+1, c+1)));
120         Dilation_img(r, c) = bitor(or1, bitor(or2, or3));
121     end
122 end
123 
124 figure;
125 imshow(Dilation_img);
126 
127 %Erosion
128 Erosion_img = zeros(ROW,COL);
129 for r = 2:ROW-1
130     for c = 2:COL-1
131         and1 = bitand(Dilation_img(r-1, c-1), bitand(Dilation_img(r-1, c), Dilation_img(r-1, c+1)));
132         and2 = bitand(Dilation_img(r, c-1), bitand(Dilation_img(r, c), Dilation_img(r, c+1)));
133         and3 = bitand(Dilation_img(r+1, c-1), bitand(Dilation_img(r+1, c), Dilation_img(r+1, c+1)));
134         Erosion_img(r, c) = bitand(and1, bitand(and2, and3));
135     end
136 end
137 
138 figure;
139 imshow(Erosion_img);

处理后结果对比

       为了可以清晰的看到图像边缘的变化,我们把黑色作为背景,白色作为边缘。

 

Sobel边缘检测后的lena

腐蚀后的lena

 

膨胀后的lena

 

先腐蚀后膨胀开运算lena

 

先膨胀后腐蚀闭运算lena

  从上面两幅图可以看出,腐蚀后的图像边缘明显变细,消除了更多假边缘,在腐蚀基础上使用膨胀算法的lena将腐蚀后的边缘扩大、加粗,这样看起来更清楚。

 

转载请注明出处:NingHeChuan(宁河川)

个人微信订阅号:开源FPGA

如果你想及时收到个人撰写的博文推送,可以扫描左边二维码(或者长按识别二维码)关注个人微信订阅号

知乎ID:NingHeChuan

微博ID:NingHeChuan

原文地址:https://www.cnblogs.com/ninghechuan/p/9527915.html 

posted @ 2018-08-26 07:42  NingHeChuan  阅读(19821)  评论(0编辑  收藏