数学形态学去噪[共15页]

目 录一 绪论11.1 数学形态学简介11.2 数学形态学与数字图像处理11.3 本次课程设计的目的与要求2二 数学形态学的基本运算32.1 基本概念32.1.1结构元素32.1.2膨胀与腐蚀32.2 二值形态学图像处理42.2.1 膨胀42.2.2 腐蚀62.2.3 开运算72.2.4 闭运算82.3 灰度形态学图像处理92.3.1 膨胀92.3.2 腐蚀102.3.3 开运算与闭运算112.4 综述13三 数学形态学滤波器去噪153.1 概述153.2噪声模型163.2.1 高斯噪声163.2.2 椒盐噪声163.3形态学滤波器173.4形态学图像去噪原理203.5形态学图像去噪的应用20小结与体会21参考文献22附录23一 绪论1.1数学形态学简介数学形态学作为一门新兴的图像处理与分析学科,1964年由法国的G.Mathern和J.Serra在积分几何的基础上首次创立。70年代初,采用数学形态学的学者们开拓了图像分析的一个新的领域。经过十多年的理论与实践探索,G.Mathern和J.Serra等人在研究中认识到,对图像先作开运算接着再作闭运算,可以产生一种幂等运算;采用递增尺寸的交变开闭序列作用于图像,可有效地消除图像的噪声,1982年他们正式提出了形态学滤波器的概念。90年代数学形态学有两个显著的发展趋势,第一个是致力于运动分析,包括编码与运动景物描述;第二个是算法与硬件结构的协调发展,用于处理数值函数的形态学算子的开发与设计。目前国内许多有效的图像处理系统有的是基于数学形态学方法原理设计的,有的是把数学形态学算法纳入其基本软件,并以其运算速度作为系统性能的重要标志之一1.2数学形态学与数字图像处理数学形态学在图像处理中属于非线性滤波方法,现在数学形态学的方法已经发展成为图象处理技术的一个重要方面,并且被广泛的应用到图象处理的各个领域,利用数学形态学可以进行图像去噪、图象分割、增强、边缘检测、形态分析、图象压缩等各个方面。可以通过以下几个步骤来实现数学形态学算法对数字图像的处理：步骤 1、提取图像的几何结构特征,也就是针对所要处理的图像找出相应的几何结构模式。步骤 2、根据步骤 1 找出的几何结构模式选合适的结构元素,这里结构元素的选择标准择首先是要能最有效的展现该几何结构模式,其次该结构元素的形态还应该尽量的最简。步骤 3、为了得到比原始图像更能显著突出物体特征信息的图像,用步骤 2 选取的结构元素对目标进行相应的数学形态学变换,如果能对结构元素给予合适的变量,则还能够定量的表示出目标的几何结构模式。步骤 4、通过上面的三个步骤,相对于我们的处理需求,目标图像会变得更加清晰、明了,并且更有利于我们提取出相应的图像信息。现在,数学形态学处理图像已经发展成为一个专门的图像科学领域。该领域已经形成了一个理论概念、非线性滤波、设计算法以及应用系统相互连贯而有广阔的整体。与其他很多图像处理技术相比,数学形态学技术的理论框架完善、算法效率高、易于在专门硬件上使用并且适合处理很多与形状相关的问题。例如对于图像噪声去由于可以在去除噪声前有效的探究目标图像的几何结构模式,尽可能的解决去除噪声与保护图像边缘细节信息相冲突的基本矛盾。再如在提取图像边缘时,与其他算法相比,数学形态学方法提取的边缘更为连续,间断点也会少很多。所以很多学术机构及工业研究所在处理数字图形图像、计算机视觉、模式识别等很多问题时都会重点考虑数学形态学方法。1.3本次课程设计的目的与要求（1）通过形态学方面的知识处理各种图像。（2）学会应用形态学知识处理加有高斯噪声与椒盐噪声的图像。（3）理解不同的形态学运算在处理图像方面的应用。（4）通过运用MATLAB软件实现仿真。二 数学形态学的基本运算2.1基本概念数学形态学是由一组形态学的代数运算子组成的,它的基本运算有4个：膨胀（或扩张）、腐蚀（或侵蚀）、开运算和闭运算,它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法,用它们可以进行图像形状和结构的分析及处理,包括图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等。数学形态学方法利用一个称作结构元素的“探针”收集图像的信息,当探针在图像中不断移动时,便可考察图像各个部分之间的相互关系,从而了解图像的结构特征。数学形态学基于探测的思想,与人的FOA(FocusOfAttention)的视觉特点有类似之处。作为探针的结构元素,可直接携带知识（形态、大小、甚至加入灰度和色度信息）来探测、研究图像的结构特点。2.1.1结构元素所谓结构元素就是一定尺寸的背景图像,通过将输入图像与之进行各种形态学运算,实现对输入图像的形态学变换。结构元素没有固定的形态和大小,它是在设计形态变换算法的同时根据输入图像和所需信息的形状特征一并设计出来的,结构元素形状、大小及与之相关的处理算法选择得恰当与否,将直接影响对输入图像的处理结果。通常结构元素的形状有正方形、矩形、圆盘形、菱形、球形以及线形等。2.1.2膨胀与腐蚀膨胀在数学形态学中的作用是把图像周围的背景点合并到物体中。如果两个物体之间距离比较近,那么膨胀运算可能会使这两个物体连通在一起,所以膨胀对填补图像分割后物体中的空洞很有用。腐蚀在数学形态学运算中的作用是消除物体边界点,它可以把小于结构元素的物体去除,选取不同大小的结构元素可以去掉不同大小的物体。如果两个物体之间有细小的连通,当结构元素足够大时,通过腐蚀运算可以将两个物体分开。2.2二值形态学图像处理二值图像数学形态学的运算就是基于上述集合论的理论,进行击中与否变换（HMT）,在定义了 HMT 及其基本运算膨胀（Dilation）和腐蚀(Erosion)后,再从积分几何和体视学移植一些概念和理论,根据图像分析的各种要求,构造出统一的、相同的或变化很小的结构元素进行各种形态变换。数学形态学中有两种最基本的操作即膨胀和腐蚀,其他的所有形态学操作都是基于这两个操作的组合或级联。如开运算和闭运算就都是膨胀和腐蚀的最基本组合。膨胀、腐蚀、开运算和闭运算构成了整个数学形态学变换的基础,下面分别对这四种基本形态学变换进行具体的分析。 图2.1 膨胀与腐蚀示意图2.2.1膨胀膨胀操作是指一个集或对象目标从其原来的形状扩大的过程。该目标扩大的方式是由结构元素决定的。和待处理的对象相比较,结构元素的大小更小,一般用于膨胀的结构元素大小取到 33。膨胀的过程类似于卷积,结构元素在目标图像内从左到右、从上到下的移动,在每次移动的过程之中,都会寻找结构元素与目标对象之间重叠的像素,只要存在重叠的像素点,结构元素所在的中心位置点的像素值都会被标为 1。用集合论该过程可表示如下：A,B 为Z中的集合, 为空集, A 被 B 的膨胀,记为 A B,为膨胀算子,膨胀的集合定义式为： （2.1）该式表示的膨胀过程首先是B做关于原点的映射,然后平移 x。A被B 膨胀也就是被所有x平移后于 A至少有一个大众非零元素的集合。根据上述对膨胀过程的解释,公式(2.2.1)也可以被写作下面的形式： （2.2）和其他的形态学操作一样,公式中集合B 在膨胀运算中一般被叫做结构元素。膨胀运算的实质是遍历待膨胀图像中的每个像素点,根据所选取的结构元素的值以及要处理像素点周围点的灰度值进行计算。比较局部范围内的像素点与结构元素中所对应点的灰度值之和。根据比较的结果,选取所计算的这些和中的最大值。所以经过膨胀,图像边缘的像素点灰度值会增加,图像边缘向外扩张,最终达到图像膨胀的视觉效果。不同的数学形态学文献对膨胀都有着不同的定义,公式(2.2.1)不是现在形态学文献中膨胀的唯一定义。然而,相比其它定义,这个定义存在一个明显的好处,即当把结构元素B 被当做卷积模板时,膨胀的概念会更加的形象化。因为虽然膨胀的本质是集合运算,而卷积本质上属于算术运算,但由于结构元素B 做相对于原点的“映射”后在集合 A(图像 A)上的平移是连续的,因此可以近似的将它滑过集合 A的整个过程近似看做卷积过程。 图2.2 膨胀操作2.2.2腐蚀腐蚀可以看做膨胀的逆运算或反过程。如果说膨胀是扩张了图像,那么腐蚀的作用则是使图像收缩。图像目标收缩的方式也是有结构元素决定的。和膨胀一样,腐蚀所选取的结构元素也要比目标要小,一般也是取 33 的大小。选取结构元素的尺寸较小的好处是可以减少腐蚀算法运行的时间。和膨胀相似,腐蚀操作也是将结构元素从左到右、从上到下在待处理图像中移动,以结构元素的中心点作为运算的中心,检验图像周围像素是否与结构元素完全重合。只要没有完全重叠,则该中心点像素就被标为 0。该过程同样可以用集合论的方法表示如下：A ,B 为Z中的集合, A 被 B 腐蚀,记为 AB ,其定义公式为： （2.3）也就是说 A被B 的腐蚀的结果为所有使B 被 x平移后包含于 A的点 x的集合。和膨胀一样,腐蚀运算的实质也是遍历待腐蚀图像中的每个像素点,根据所选取的结构元素的值以及要处理像素点周围点的灰度值进行计算。比较局部范围内的像素点与结构元素中所对应点的灰度值之差。根据比较的结果,选取所计算的这些差中的最小值。经过腐蚀,图像边缘的像素点灰度值会降低,从而图像边缘会向内收缩,最终达到腐蚀的视觉效果。膨胀和腐蚀的关系可以看做集合补和反转的对偶,可以用下面的公式表示： （2.4） 图2.3 腐蚀操作 对一幅图像进行膨胀和腐蚀操作结果如下图： 图2.4这两种运算具有对偶性,即一种运算对目标的操作相当于另一种运算对图像背景的操作。由图2.2.4可知,膨胀操作后,图像相当于膨胀了一圈,而腐蚀操作后,图像则像被剥掉了一层。2.2.3开运算设 A是原始图像,B 是结构元素图像,则集合 A被结构元素B 做开运算,记为：AoB,其公式为：AoB=(AB)B (2.5)从公式(3.2.13)可以看出 A被结构元素B 做开运算就是 A被B 腐蚀后的结果再被B 膨胀。同膨胀和腐蚀一样,我们也可以用用集合论的概念来定义开运算。A被结构元素B 做开运算就是B 在 A内的平移所得到的集合的并集,即： （2.6） 开运算一般能平滑图像的轮廓,削弱狭窄的部分,去掉细的突出。根据开运算的这种作用,我们可以利用开运算来去除图像的噪声。 图2.5 开运算示意图2.2.4闭运算设 A是原始图像,B 是结构元素图像,则集合 A被结构元素B 做闭运算,记为：AB,可用下面公式给出闭运算的定义：AB=(AB)B （2.7）从公式(3.2.15)可以看出 A被结构元素B 做闭运算就是 A被B 膨胀后的结果再被B 腐蚀。闭运算的效果基本上与开运算相反,它一般是能填充背景中狭窄以及凹陷的部分,消除小洞,还可以填充轮廓上空白的部分,使图像的轮廓得到一定的平滑。我们同样可以利用闭运算的这些作用来去除图像的噪声。和膨胀和腐蚀一样,开运算和闭运算也是关于集合补和反转的对偶,可用下面公式表示这种关系： （2.8）对一幅二值图像进行开运算与闭运算的结果如下图：图2.6由图2.6可知,开运算能够去除孤立的小点、毛刺和小桥,而闭运算能够填平小孔,弥合小裂缝。2.3灰度形态学图像处理前面所提到的形态学方法都是基于二值图像的,下面把这些基本的形态学操作推广到灰度图像。这里把 设为输入图像, 为结构元素。2.3.1膨胀用b对函数f进行的灰度膨胀表示为 fb,定义式为： （2.9）其中 , 分别是 f 和b 的定义域,这里的 f 和b 表示的是函数而不再是二值形态学中所说的集合。在灰度膨胀中,每个结构元素的位置上,在这一点的膨胀值是在跨度b 的区间内 f 于b 之和的最大值。为通常对灰度图像进行膨胀处理会把图像中白色的部分扩张,而且会带来双重的效果：(1)若使用的所有结构元素的值均为正,则输出图像会的亮度将会大于输入图像的亮度；(2) 膨胀过程中所用的结构元素的值和形状决定图像中暗的细节是部分全部减少了还是被消除。2.3.2腐蚀同样的道理,用b 对函数 f 进行的灰度腐蚀表示为 fb ,定义式为： （2.10）和灰度膨胀一样,这里 ,分别是 f 和b 的定义域。在灰度腐蚀中,每个结构元素的位置上,在这一点的腐蚀值是在跨度b 的区间内 f 于b 之差的最小值。为通常对灰度图像进行腐蚀处理会把图像中黑色的部分扩张,而且会带来双重的效果：(1)若使用的所有结构元素的值均为正,则输出图像会的亮度将会小于输入图像的亮度；（2）在输入图像中如果结构元素的面积比亮的细节的面积大,则亮的效果将被削弱。环绕于亮细节周围的灰度值和结构元素自身的形态结构和幅值决定着最终消弱的程度。灰度膨胀和腐蚀与二值膨胀和腐蚀一样也满足对偶关系。对一幅灰度图像进行膨胀与腐蚀的结果如下图所示：图2.7由图2.7可知,灰值图像的腐蚀,如果结构元素的值都为正,则输出图像会比输入图像暗；如果输入图像中亮细节的尺寸比结构元素小,则其影响会被减弱,减弱的程度取决于这些亮细节周围的灰度值的结构元素的形状和幅值。灰度图像的膨胀运算,如果结构元素的值都为正,则输出图像会比输入图像亮,根据输入图像中暗细节的灰度值以及它们的形状相对于结构元素的关系,它们在膨胀中或被消减或被除掉。2.3.3开运算与闭运算用结构元素b 对图像 f 进行开操作即先用b 对 f 进行腐蚀操作再进行膨胀,记为fob,定义式为： （2.11）用结构元素b 对图像 f 进行闭操作即先用b 对 f 进行膨胀操作再进行腐蚀,记为f b,定义式为：fb = (fb)b （2.12）用几何的方法可以解释灰度形态学的开、闭运算。用b 对 f 进行开操作的原理可以解释为：顺着曲面的下侧面推动小球上下滚动,使球体能够在曲面的整个下侧面来回移动。这时球体表面的所有接触到曲面部分的最高点就组成了开操作的曲面。相对应的,闭操作就是在曲面的上侧面滚动,以便球体能在曲面的整个上侧面来回移动。当球体的任何部分接触到曲面的最高点就构成了闭操作的曲面。如下图2.8就详细的解释了这一过程： 图2.8灰度形态学的开、闭运算和二值形态学一样都满足对偶关系。并且灰度开、闭运算的作用效果也基本上于二值形态学中的一样。其中灰度开运算一般能平滑图像的轮廓,消减图像中狭窄的部分,抹平突出的细节。灰度闭运算的效果基本上与灰度开运算相反,它一般是能填充背景中狭窄以及凹陷的部分,消除小洞,还可以填充轮廓上空白的部分,使图像的轮廓得到一定的平滑。我们同样可以利用灰度开、闭运算的这些作用来去除图像中不希望看到的掺杂细节（如噪声）对一幅加有椒盐噪声的灰度图像进行开运算与闭运算的结果如下： 图2.9开运算操作消除与结构元素相比尺寸较小的亮细节,而保持图像整体灰度值和大的亮区域基本不受影响。闭运算操作消除与结构元素相比尺寸较小的暗细节,而保持图像整体灰度值和大的暗区域基本不受影响。所以,开-闭运算可用于图像的去噪,特别是对于加有椒盐噪声的图像的去噪效果更为明显。详细过程见下一章。对一幅加有高斯噪声的图像进行开运算与闭运算的结果如下： 图3.0单独运用开运算或闭运算对一幅加有高斯噪声的图像进行去噪效果并不理想。2.4综述本章首先对数学形态学的大致发展历程及基本原理进行了概括性的介绍。说明了数学形态学在图像处理中的应用领域、处理步骤及其在图像处理中的独有优势。数学形态学是用数学集合论中的语言来描述的,也即集合论是数学形态学的基础,所以本章对集合论的主要内容做了介绍。然后基于集合论的基本原理,本章重点讨论了形态学中最基本的部分二值形态学。用集合论的基本理论给出了二值形态学的四种基本运算膨胀、腐蚀、开运算和闭运算的公式；说明了这四种基本二值形态学变换在处理图像时的运算原理；通过实验（主要是去噪实验）给出了四种形态学变换对图像的处理效果并对其处理噪声的效果进行了讨论。分别对膨胀和腐蚀、开运算和闭运算的关系以集合论公式的形式给予了介绍。然后本章把二值形态学的基本理论推广到灰度图像,以交叉对比的形式把灰度形态学中膨胀、腐蚀、开运算及闭运算的基本集合论公式、原理等进行了介绍。并同样通过实验说明了膨胀和腐蚀对图像的处理效果以及开运算和闭运算在去除图像噪声时所表现出的特点。通过本章的介绍,可以明确数学形态学的基本理论；对数学形态学在图像处理,特别是去除噪声时的优势有了进一步的说明。本章是下一章关于形态学去噪的理论基础,特别是其中的开-闭运算,在图像去噪方面有着十分重要的应用。三 数学形态学滤波器去噪3.1概述通过图像去噪（也可称之为图像清洁）来对图像进行增强是图像处理中的一个基本问题。于这个问题,研究者们已经进行了长达多年的研究。大多数的图像处理书籍中都会有涉及到图像去噪的章节。从本质上讲,图像去噪属于图像恢复问题中的一类,目的是将一个受到噪声侵蚀的图像版本恢复到其原先完善的版本。这个问题看似很简单,但是由于我们常常无法对恢复后图像的实际结构作出合理的分析,而会变得异常复杂。而且不同的去噪方法往往会根据图像的不同类型以及去噪的不同目标来分析推断恢复图像的具体结构特征。因此,在图像去噪领域没有一种适用于所有去噪问题的图像去噪技术。在大多数情况下,要针对具体情况制定专门的去噪算法。在图像处理中,数学形态学是一种对图像进行分析的数学工具,其分析的基础是图像的形态。运用数学形态学处理图像时,要根据不同的图像类别单独的设计出整套的变换算法,当然这些算法也都是基于前文提到的膨胀、腐蚀、开运算、闭运算等基本变换。通过这些基本变换而设计出的算法应该能有效地描述待处理图像各个元素与部分之间的关系。通过数学形态学的应用,应该最终达到在简化图像数据、取出图像不相干结构的同时,保留住图像基本形状特征并且更加适合人眼视觉特征的目的。图3.1 形态学处理图像的基本过程3.2噪声模型数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。图像传感器的工作情况受各种因素的影响,如图像获取中的环境条件和传感元器件自身的质量。例如,使用CCD摄像机获取图像,关照程度和传感器温度是生成图像中产生大量噪声的主要因素。图像在传输过程中主要由于所用的传输信道的干扰受到噪声污染。比如通过无线网络传输的图像可能因为光或其其它大气因素的感染被污染。3.2.1高斯噪声在现实中这种噪声比较普遍,所以我们对其考虑甚多。事实上,这种易处理性比较方便,考虑时这种模型经常居于临界情况下。高斯随即变量Z的PDF由下式给出： p(z)= （3.1）其中z表示灰度值,表示z的平均值或期望值,表示z的标准差。标准差的平方2称为z的方差。高斯函数的曲线如图3-1（a）所示。当z服从式（3-1）的分布时候,其值有70落在(-),(+)内,且有95落在(-2),( +2)范围内。3.2.2椒盐噪声椒盐噪声的PDF可由下式给出：P(z)= (3.2)如果ba,灰度值b在图像中将显示为一个亮点,相反,a的值将显示为一个暗点。若或为零,则脉冲噪声称为单极脉冲。如果和均不可能为零,尤其是它们近似相等时,脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。由于这个原因,双极脉冲声也称为椒盐噪声。同时,它们有时也称为散粒和尖峰噪声。3.3形态学滤波器前文提到了四种数学形态学的基本变换：膨胀、腐蚀、开运算以及闭运算。其中开运算和闭运算经常被用来去除图像的噪声。而这两种运算最典型的特征是它们都具有幂等性,因此作为滤波器,开运算和闭运算能够完全的完成滤波,没有必要进行重复操作。而很多其他滤波器不具有这一性质。例如中值滤波器会产生震荡,在有限次迭代之后会进一步的改变图像并不能保证得到一个稳定的结果。开运算可以有效地滤除图像中的正噪声,即滤除目标中的噪声部分,特别是一些小的结构。而闭运算可以被用来滤除负噪声,既是能填充背景中狭窄以及凹陷的部分,尤其是小的孔洞。通过对开运算和闭运算的组合运用,可以得到四种新的形态学滤波器：开运算后闭运算、闭运算后开运算、开运算后闭运算再开运算、闭运算后开运算再闭运算。这四种新的形态学变换具有幂等性,因此在进行其他的组合并不会得到新的形态学滤波。这四种变换可以作为滤波器来去除正噪声以及负噪声,例如可以使用它们来替代中值滤波法来滤除图像中的斑点噪声。而且在去除图像噪声方面,上面的四种新的形态学组合运算一般会比单纯使用形态学开运算和闭运算会取得更好的去噪峰值信噪比以及视觉效果,即具有更佳的去噪效果。形态滤波器是用一个结构元素B对初始图像串联地使用开、闭操作。这样图像中比结构元素小的游离的噪声将被滤除。若初始图像为A,结构元素为B,则形态滤波器可以这样来构成:OC(A,B)=C(O(A,B),B)或CO(A,B)=O(C(A,B),B) (3.3) 形态滤波器的详尽描述如下:(AB)B)BB或(AB)B)B)B (3.4) 如果结构元素包括原点(0,0),则腐蚀和膨胀满足以下性质:性质1: ABAAB (3.5) 这一性质表明,在B包括原点的前提下,腐蚀后的结果只会使A的点数减少或者不变,而膨胀则使A的点数增加或者不变。利用前一点,可以通过设计适当的结构元素B,使得腐蚀后得以消除A中的微小颗粒,即噪声点。利用后一点,又可以对腐蚀结果再用B进行膨胀,以恢复有用信息(细节部分)。 性质2:对开运算和闭运算,恒有O(A,B)AC(A,B) (3.6)即开运算使原图形缩小而闭运算使原图形增大。根据上面的讨论以及开闭运算的性质不难证明形态开一闭(OC)和形态闭一开(CO)滤波器具有如下一些重要性质: (l)平移不变性: OC(A+x,B)=OC(A,B)+xCO(A+x,B)=CO(A,B)+x (3.7) (2)递增性: 如果是的子集,则: OC(A,B)OC(A,B) CO(A,B)CO(A,B) (3.8) (3)幂等性: OC(CO(A,B)=CO(OC(A,B) CO(OC(A,B)=OC(CO(A,B) (3.9) (4)对偶性: (OC(A,B)=CO(A,B)(CO(A,B)=OC(A,B) (3.10) 形态滤波器的输出不仅取决于变换的形式,而且取决于结构元素的尺寸和形状,一般只有与结构元素的尺寸和形状相匹配的基元才能被保留。如我们在同一个图像中都加入 6椒盐噪声,分别使用开运算、闭运算、闭运算后开运算、开运算后闭运算四种形态学变换进行去噪处理,如下图： 图3.2由图可知,对于加有椒盐噪声的图像,通过对开-闭运算的交替使用,可以有效得消除椒盐噪声,达到去噪的目的。我们在同一个图像中都加入 6高斯噪声,分别使用开运算、闭运算、闭运算后开运算、开运算后闭运算四种形态学变换进行去噪处理,如下图： 图3.3由图可知,对于加有高斯噪声的图像,通过对开-闭运算的交替使用,也能达到一定的去噪目的,但是效果要差与其处理椒盐噪声的结果。由图2.9和图3.2的对比可以看出,开-闭运算交替使用的形态学操作在除去图像椒盐噪声时的效果要好于单独使用开运算或闭运算的去噪效果。所以在设计数学形态学的去噪算法时的,一般都要把基本的形态学运算组合起来使用,来增强最终图像去噪的实验效果。3.4形态学图像去噪原理灰度开运算可用于过滤最大噪声（高亮度噪声）,因为被滤掉的噪声位于信号的上方。如果将图中信号上方的尖峰视为噪声,那么,开运算后可得到很好的滤波效果。根据对偶性,闭运算可以滤掉信号下方的噪声尖峰。此外,如果信号中还混杂有不同尺寸的噪声脉冲,并且噪声之间并没有很好地分离,那么,可以选用一种交变序列滤波器,这种滤波器使用逐渐加宽的结构元素,交替地做开闭运算。在一般情况下,噪声往往由信号上下凸起的尖峰组成。只要这些噪声是很好分离的,则可以利用开运算和闭运算的迭代运算或闭运算或闭运算和开运算的迭代运算将其消除。所以开-闭运算的迭代运算对消除椒盐噪声的效果很不错,但是消除高斯噪声效果就不是很理想,如图3.2与图3.3所示。3.5形态学图像去噪的应用图像处理是当今计算机科学中最具有前景的领域之一,图像技术有非常广泛的应用,而数学形态学是图像处理中的重要方法之一。数学形态学的基本理论和方法在医学成像、显微镜学、生物学、机器人视觉、自动字符读取、金相学、地质学、冶金学、遥感技术等诸多领域都取得了非常成功的应用。形态学去噪是一种很有效的图像去噪手段,也应用于生活中的很多邻域。如医学中图片的处理,航空航天邻域,生物邻域等等。由于各种原因,图片总存在不同的噪声,运用数学形态学可以很好地去除某些噪声,从而更好的对图像进行研究。所以,在以后的科学研究中,形态学去噪的应用将越来越广泛。小结与体会数学形态学虽然是一门新兴的学科,但由于其严谨的思路与简单易懂的理论,很快应用与很多邻域,其中在图像处理方面也得到的很有效的应用。在图像去噪方面,它与中值滤波与形态学滤波一样,对噪声的滤除十分有效,且具有其它去噪方法所没有的一些优点。理解掌握数学形态学方面的知识是很有必要的。本文首先介绍了数学形态学的发展简史及其现状。从最基本的理论入手,对数学形态学在图像处理中的理论基础进行了详尽的分析和讨论,本文对形态学的算法用大量的篇幅进行叙述,详细的描述了数学形态学的膨胀、腐蚀、开启、闭合四大运算,指出了开启和闭合是由膨胀和腐蚀运算结合使用而得出的算法,说明了开运算具有使图像变小,闭运算使图像增大的优点。同时开闭运算有一个有趣的性质等幂性,它意味着一次滤波就能把所有特定于结构元素的噪声滤除干净。本文最后一章是全文的重点,也是本文研究的目的。这一章以前章为基础,介绍了形态学在去噪方面的一些方法,用实例给出了形态学在图像去噪方面的效果。最后介绍了形态学的图像去噪的应用邻域。在本次的课程设计当中,我不仅学到了关于数学形态学方面的很多知识,而且也体会了认真完成一件事所带来的喜悦。为了完成本次课程设计,我翻阅了很多书籍,上网查阅了很多资料,当然也得到了老师与同学们的热心的帮助。在这里,我要感谢我的老师对我的教导,也要感谢我的同学对我提供的帮助。此次课程设计的过程让我明白了只有虚心求教,才能更好地完成一件事,才能学到更多的知识。参考文献1 孙即祥.图像处理M.北京:科学出版社,2004.2 何东健.数字图像处理M.西安:西安电子科技大学出版社,2003.3 杨帆.数字图像处理与分析（第二版）.北京航空航天大学出版社,2010.4 夏良正. 数字图像处理. 南京:东南大学出版社,1999.5 刘志敏著.数学形态学在图像分析中的应用研究.上海交通大学硕士学位论文,1998.6 戴青云,余英林.数学形态学在图像处理中的应用进展.控制理论与应用,2001.7 崔屹.图像处理与分析M.科学出版社, 2000.8 耿帅著.基于数学形态学的图像去噪.山东师范大学硕士学位论文.2012.附 录程序清单图2.4对应程序： bw0=imread(zw2.jpg);subplot(2,3,1),imshow(bw0);title(原始图像);bw1=im2bw(bw0,0.8); %变为阈值为0.8的二值图像subplot(2,3,2),imshow(bw1);title(阈值为0.8的图像);s=ones(3);bw2=imerode(bw1,s); %图像腐蚀subplot(2,3,3),imshow(bw2);title(腐蚀后图像1);bw3=imdilate(bw1,s); %图像膨胀subplot(2,3,4),imshow(bw3);title(膨胀后图像1);s1=strel(disk,2); %构造结构元素bw4=imerode(bw1,s1);subplot(2,3,5),imshow(bw4);title(腐蚀后图像2);bw5=imdilate(bw1,s);subplot(2,3,6),imshow(bw5);title(膨胀后图像2);图2.6对应程序：bw0=imread(c.jpg);subplot(2,3,1),imshow(bw0);title(原始图像);bw1=im2bw(bw0,0.7);subplot(2,3,2),imshow(bw1);title(阈值为0.7的二值图像);s=ones(3);bw2=imopen(bw1,s); %开运算subplot(2,3,3),imshow(bw2);title(开运算后图像1);bw3=imclose(bw1,s); %闭运算subplot(2,3,4),imshow(bw3);title(闭运算后图像1);s1=strel(disk,2);bw4=imopen(bw1,s1);subplot(2,3,5),imshow(bw4);title(开运算后图像2);bw5=imclose(bw1,s1);subplot(2,3,6),imshow(bw5);title(闭运算后图像2);图2.7对应程序bw0=imread(lg.jpg);bw1=rgb2gray(bw0); %变为灰度图像subplot(2,3,1),imshow(bw1);title(原始图像);s=ones(3,3);bw2=imerode(bw1,s); %图像腐蚀subplot(2,3,2),imshow(bw2);title(腐蚀后图像1);bw3=imdilate(bw1,s); %图像膨胀subplot(2,3,3),imshow(bw3);title(膨胀后图像1);s1=strel(disk,2);bw4=imerode(bw1,s1);subplot(2,3,4),imshow(bw4);title(腐蚀后图像2);bw5=imdilate(bw1,s1);subplot(2,3,5),imshow(bw5);title(膨胀后图像2);图2.9对应程序A=imread(m.jpg); subplot(2,3,1),imshow(A); title(原始图像); bw1=imnoise(A,salt & pepper,0.06); %加入%6的椒盐噪声 subplot(2,3,2),imshow(bw1); title(加入椒盐噪声); s=ones(2,2); bw2=imopen(bw1,s); %开运算 subplot(2,3,3),imshow(bw2); title(开运算后图像1); bw3=imclose(bw1,s); %闭运算 subplot(2,3,4),imshow(bw3); title(闭运算后图像1); s1=strel(diamond,2); bw4=imopen(bw1,s1); subplot(2,3,5),imshow(bw4); title(开运算后图像2); bw5=imclose(bw1,s1); subplot(2,3,6),imshow(bw5); title(闭运算后图像2);图3.0对应程序A=imread(m.jpg); subplot(2,3,1),imshow(A); title(原始图像); bw1=imnoise(A,gaussian,0.06); %加入%6的高斯噪声 subplot(2,3,2),imshow(bw1); title(加入高斯噪声); s=ones(2,2); bw2=imopen(bw1,s); %开运算 subplot(2,3,3),imshow(bw2); title(开运算后图像1); bw3=imclose(bw1,s); %闭运算 subplot(2,3,4),imshow(bw3); title(闭运算后图像1); s1=strel(diamond,2); bw4=imopen(bw1,s1); subplot(2,3,5),imshow(bw4); title(开运算后图像2); bw5=imclose(bw1,s1); subplot(2,3,6),imshow(bw5); title(闭运算后图像2);图3.2对应程序A=imread(n.jpg);subplot(2,3,1),imshow(A);title(原始图像);B=imnoise(A,salt & pepper,0.06); %加入%6的椒盐噪声subplot(2,3,2),imshow(B);title(加入椒盐噪声的图像);C=strel(disk,1);f1=imopen(B,C);f2=imclose(f1,C); %先开运算,后闭运算subplot(2,3,3),imshow(f2);title(开-闭运算结果);f3=imclose(B,C);f4=imopen(f3,C);subplot(2,3,4),imshow(f4); %先闭运算,后开运算title(闭-开运算结果);f5=B;for k=2:3 A=strel(disk,k); f5=imclose(imopen(f5,C),C); %开-闭运算交替进行endsubplot(2,3,5),imshow(f5);title(交替顺序滤波后的图像);图3.3对应程序A=imread(n.jpg);subplot(2,3,1),imshow(A);title(原始图像);B=imnoise(A,gaussian,0.06); %加入%6的高斯噪声subplot(2,3,2),imshow(B);title(加入高斯噪声的图像);C=strel(disk,1);f1=imopen(B,C);f2=imclose(f1,C); %先开运算,后闭运算subplot(2,3,3),imshow(f2);title(开-闭运算结果);f3=imclose(B,C);f4=imopen(f3,C); %先闭运算,后开运算subplot(2,3,4),imshow(f4);title(闭-开运算结果);f5=B;for k=2:3 A=strel(disk,k); f5=imclose(imopen(f5,C),C); %开-闭运算交替进行endsubplot(2,3,5),imshow(f5);title(交替顺序滤波后的图像);知识改变命运14 / 15