【正文】 數(shù)字圖像處理 Digital Image Processing 作者：李白萍 起止頁碼： 42 頁 46 頁， 127 頁 132 頁 出版日期（期刊號）： ( 重印 ) 出版單位： 西安電子科技大學出版社 數(shù)字圖像處理 1 引言 許多研究者已提議提出了在數(shù)字圖像里的連接組件是由一個減少的數(shù)據(jù)量或簡化的形狀。一般我們不得不陳訴在實際應(yīng)用中的運算法則的發(fā)展，選擇和更改，它是依賴于鄰域和任務(wù)的，除此之外沒有更好的辦法了。不過，有趣的是，請注意 ， 有幾個等價之間出版的方法和觀念，和表征這種等價應(yīng)該是有用的分類的廣泛和多樣性，討論等價是這份報告一個主要的意圖。 分類方法 一類形狀減少算子是基于距離變換的。一個距離骨架是一個子集點，某一特定的組成部分，例如，每點子，這代表了該中心的一個最大光盤（標記半徑這片光碟）載于特定的組成部分。作為一個例子，在這類算子，本報告討論了一個計算方法距離骨架使用的D4 距離函數(shù)，這是適當?shù)臄?shù)字化圖片。 第二類算子產(chǎn)生的中位數(shù)或中心線數(shù)字對象在一個非迭代的方式。通常這樣的算子找到臨界點，并計算出特殊 路徑通過對象連接這些點。 第三類是算子的特點是迭代細化。從歷史上看， 用已經(jīng)在 1862 年任期線性骨架為結(jié)果連續(xù)變形的前一個連接子一歐氏空間沒有改變的連通原來的設(shè)置，直到只有一套線和點仍然存在。許多算法在圖像分析是在此基礎(chǔ)上的一般概念的細化。目標是計算特性的數(shù)字對象，其中不相關(guān)的大小或數(shù)量。方法應(yīng)是獨立的立場從一組，在平面或空間，網(wǎng)格的決議（數(shù)字化這套）或形狀復(fù)雜該給定。在文獻中的任期間是沒有用在一個獨特的解釋，此外，它始終是指連接維護減少運作，適用于數(shù)字圖像，所涉及的迭代變革的特殊輪廓點到背景點。一 個字集 Q_I 的對象點是減少了設(shè)置，在一迭代和 Q0 的結(jié)果 = Q N D 成為 Q 報表下次迭代。拓撲維護骨架是一個特殊的案件細化，導(dǎo)致連接的一套數(shù)碼化的圓弧或曲線。數(shù)字曲線的道路是一條在 P=p0 。P1 。 P2 的 。qn= q 等 ,pi 是 pi 1 的近鄰， ， 1 _ i _N 和 P =q,數(shù)字曲線是所謂的簡單元素，如果每點 pi 有準確的兩個鄰域在這曲線。數(shù)碼弧是一個子集數(shù)字曲線，如 p6 =，正是一鄰居是所謂的一歸宿，這電弧。在這第三類算子（細化算法） ，我們可能分類方面的算法策略：個別像素要么拆除 在一個順序或平行進行。舉例來說，經(jīng)常提到的算法 hilditch 是一個迭代的過程中的測試和刪去的輪廓像素，按順序在標準光柵掃描秩序。另一種序貫算法 pavlidis 使用的多點和收益由輪廓下列的的例子，并行算法在這第三類是減少算子，其中變換輪廓點到背景點。這些并行算法通常是測試實施連通性，以確保在目標連接和內(nèi)部數(shù)據(jù)沒有改變。概念一簡單點是基本的重要性細化且它將會顯示在這報告說，簡單點，其實是相等的。 若干出版物的特點性能是一套署點（可從對象點到背景點轉(zhuǎn)變）去確定目標和背景的連貫性仍然沒變 .報告討論了一些性質(zhì)是 為了證明平行細算法的正確性 . 基礎(chǔ) 所用符號如下 [ 17 ] 。數(shù)字圖像 I 是一個功能離散集 C ，即所謂的載體的形象。要素的 C 是網(wǎng)格點或網(wǎng)格細胞和分子性（ P 。I（ p ）） 一個圖像像素（ 2 維）或體素（三維案件）。范圍的形象是 f0 。 gmaxg 與 gmax _ 1 。范圍二進制的形象是 f0 ，我們只使用在此報告的二進制圖像。讓它成為一套所有像素的位置與價值 1 。 形象載體是對一正交網(wǎng)格在二維或三維空間。 有兩種選擇：使用網(wǎng)格細胞模型的二維像素位置， P 是一個封閉的廣場（ 2 細胞）在歐氏平面和三 維像素的位置是封閉立方體（ 3 細胞） ，在歐氏空間，那里邊的長度為 1 和平行于坐標軸，中心有整數(shù)坐標。作為一個第二個選項，使用網(wǎng)格點模型一二維或三維像素的位置是一個網(wǎng)格點。 兩個像素的位置 P 和 Q在網(wǎng)格中的細胞模型是所謂的 0 毗鄰 i_ p 6 = Q 和他們分享至少有一個頂點（這是一個零細胞） 。 兩個三維像素的位置 P 和 Q 在網(wǎng)格中的細胞模型是所謂的毗鄰 i_ p 6 = Q和他們分享至少有一個優(yōu)勢（這是一細胞） 。注意：如果格點模型是用這鄰接在二維或鄰接在三維。最后，兩個像素的三維位置 P 和 Q 在網(wǎng)格中的細胞模型被稱 為 2 毗鄰 i_ p 6 = Q 和他們分享至少有一個面對的（這是一個 2 細胞） 。請注意，如果格點模型是用這鄰接的。 任何這些鄰接關(guān)系 。 1 。 2 。 4 。 6 。 18。 26 是和對稱對一的形象， n_ （ p ）條像素位置 p 包括 P 和其 _ 相鄰像素的位置。 坐標的二維網(wǎng)格點是指由（ i。 j ）中，與 1_i n 和 1_j_m。 j 是整數(shù)和 N 。M 是多少行和列正在 3 維中使用整數(shù)坐標（ i。 j 。 k ）段。 基于鄰域的關(guān)系，我們連通如常： 2 點 p。 q 2 C 是有關(guān) n_ i_有一個序列點， p = p0。 p1。 p2。 pn = q 近鄰，在此序列無論是在 M 或全部在補 M 的一個子集 M_ C 的形象承運人是所謂的 _連接 i_M，是不是空洞和所有點，在 M 都成對設(shè)置 M 組成的一個子集 S 的 C 是一個極大值 ,連接子 S 的研究連通性數(shù)碼影像已在 [ 15 ]介紹了。 因此，任何一套集合組成了若干組件。在案件該網(wǎng)格的細胞模型，一個組成部分，是聯(lián)接的封閉空間（二維情況下） 或關(guān)閉的立方體（三維案件） 。邊界 2細胞是聯(lián) 接在其 4 細胞和 5 細胞的。 3 細胞是連接在其 6 接口。 為實際目的是易于對數(shù)字圖像中使用的臨近操作的（ 所謂的本地操作）。價值在 P 2架 C ，在轉(zhuǎn)化的形象是基于像素值在 I 在 P 2 C 和其立即鄰域在 N_(p)。 2 非迭代算法 非迭代算法提供子組件在特殊掃描命令測試連接保存在一個迭代次數(shù)。 在本節(jié)中，我們只用網(wǎng)格點模型。 距離算法 Blum[ 3 ]提出了骨骼的代表是一組對稱點。 在一個封閉的子歐氏平面一點 P 是被稱為對稱 i_ 。至少有 2 點存在于邊界與平等的距離頁每對稱點，相關(guān)的最大光盤是在這一套世界上最大的光盤。 一套對稱點，每一個標記半徑相關(guān)最大的光碟，構(gòu)成了骨架的一套。 這個想法提 交的一個組成部分，數(shù)字圖像作為一個距離骨架的基礎(chǔ)上，計算一個距離各點在一個連通子米 _ C 至補子。本地最高的子代表一距離骨架。在 [ 15 ] D4 類 距離是如下特殊的距離， D4（ p。 q ）的從點 P 點 q ， p6 =q 是最小的積極整數(shù) n ，如存在著一種序列具有鮮明的網(wǎng)格點， P 值 p0 ， P2。pn= q 是 4 近鄰， pi 1 ， 1_i_n. 如果 P 值 q 之間的距離是趨向于為零，則 D4 （ p。 q ）的距離為所有性能的一個指標。由于二進制數(shù)字形象。我們這個圖像變換到一個新的代表在每屆點 P 2 hii D4 類 距離像素具有的價值為零。轉(zhuǎn)型包括兩個步驟。我們申請的職能，以 F1 的形象，我在標準掃描秩序，產(chǎn)生 i_ （ i。 j ）的 F1 = （ i。 j 。i（ i。 j ）） ，和 F2 在反向標準掃描秩序，產(chǎn)生（ i。 j ） = F2 的（ i。 j 。 i_ （ i。 j ）） ，詳情如下： F1 的（ i。 j 。i（ i。 j ）） = 8 ：if I（ i。 j ） = 0 ,minfi_ （ i? 1 。 j ） + 1 。 i_ （ i。 j ? 1 ） + 1,if I（ i。 j ） = 1 ， i6 = 1 或 j 6 = 1 M+n 否則 ,F2 的（ i。 j 。 i_ （ i。 j ）） = minf_i_ （ i。 j ） 。（ i+ 1 。 j ） + 1 。（ i。 j + 1 ） + 1 由此產(chǎn)生的圖像，是距離變換的形象，一，注意 T 是一個集 F 至 [ （ i 。 j ） 。T（ i。 j ） ] ： 1 _ i _ n ^1_ j _，讓 t_ _T,[ （ i。 j ） 。T（一 。 j ） ] 2 t_ i_沒有四點為 A4 （ （ i。 j ））有一個價值在 T 等于 T（ i。 j ） +1 。對所有其余各點（ i。 j ），讓 t_ （ i。 j ） = 0 。這個形象t_是所謂的距離骨架。 我們現(xiàn)在申請的職能的 G1 到距離骨架 t_在標準掃描秩序，產(chǎn)生 t__（ i。 j ）條的 G1 = （ i。 j 。 t_ （ i。 j ）），和 G2 到的結(jié)果，在 G1 期逆向掃描的標準秩序，產(chǎn)生 t__（ i。 j ）＝ G2（ i。 j 。 t__ （ i。 j ）） ， 詳情如下： g1(i。 j。 T_(i。 j)) = maxfT_(i。 j)。 T__(i ? 1。 j)? 1。 T__(i。 j ? 1) 1g g2(i。 j。 T__(i。 j)) = maxfT__(i。 j)。 T___(i + 1。 j)? 1。 T___(i。 j + 1) ? 1 結(jié)果 t___是平等的向距離變換的圖像，兩種職能 G1 和 G2 ，與 G（ t_ ） = g2(g1(T_)) = T___,我們有[ 15 ] ： 定理 1G（ t_ ） =T，如果 t0 是任何子的形象 T（延長至一個形象有值為 0 ，在所有剩余的持倉量）等認為， G（ t0 ） =T， 然后 t0 （ i。 j ） = t_ （ i。 j ）在各個崗位上的 t_與非零值。 非正式的，定理指出，距離變換的圖像是可重構(gòu)從距離骨骼 ，它是迄今發(fā)現(xiàn)的最小的數(shù)據(jù)集需要這樣的重建工作。用過的距離， D4 從歐幾里德度量。舉例來說，這個 D4 的遠程骨架，是不是不變根據(jù)輪換。為一近似歐氏距離，一些作者建議使用 的權(quán)數(shù)，格點街道 [ 4 ] 。 [ 11 ]介紹了準歐氏距離。 在一般， D4 的遠程骨架是一個子像素（ p。T（ p ）項）的轉(zhuǎn)變形象，這是不一定的連接。 臨界點算法 最簡單的一類，這些算法決定的中點子連接組件在標準掃描，以便每一行。讓升被 1指數(shù)為若干組件連接在一列原形象。我們的下列職能為 1 _ i _ n ： ei(l) = _ j if this is the lth case I(i。 j) = 1 ^ I(i。 j ? 1) = 0 in row i, counting from the left, with I(i。?1) = 0 oi(l) = _ j if this is the lth case I(i。 j) = 1 ^ I(i。 j+ 1) = 0 in row i, counting from the left, with I(i。m+ 1) = 0 mi(l) = int((oi(l) ? ei(l)=2)+ oi(l) 所連接的元件在連續(xù)中點所有行構(gòu)成了一個臨界點骨架的形象，這種方法的計算是精確的。 結(jié)果子像素的原始物體，而這些子像素不一定是連接的。他們可以形成噪音分枝，當對象組件接近平行的形象行，他們可能的特殊應(yīng)用是有用的，而掃描方向大約是垂直方向的主要對象組。 3 圖像邊緣 圖像邊緣檢測概論 圖像邊緣是圖像最基本的特征之一 , 往往攜帶著一幅圖像的大部分信息 . 而邊緣存在于圖像的 不規(guī)則結(jié)構(gòu)和不平穩(wěn)現(xiàn)象中 ,也即存在于信號的突變點處 ,這些點給出了圖像輪廓的位置 ,這些輪 廓常常是我們在圖像處理時所需要的非常重要的一些特征條件 , 這就需要我們對一幅圖像檢測并提 取出它的邊緣 . 而邊緣檢測算法則是圖像處理問題中經(jīng)典技術(shù)難題之一 , 它的解決對于我們進行高 層次的特征描述 , 識別和理解等有著重大的影響 。 又由于邊緣檢測在許多方面都有著非常重要的使 用價值 , 所以人們一直在致力于研究和解決如何構(gòu)造出具有良好性質(zhì)及好的效果的邊緣檢測算子的 問題 .在通常情況下 ,我們可以將信號中 的奇異點和突變點認為是圖像中的邊緣點 ,其附近灰度的 變化情況可從它相鄰像