二值图像处理方法
二值图像边缘形态学处理的方法
图像边缘形态学处理基于H 值提取后的图像是一个二值图，对二值图像的数学形态学处理的基本思想如下：①、 输入的原始图像就是基于H 值提取的二值图，该二值图像是基于图像里肤色部分的轮廓。
然后对轮廓里的部分进行数学形态学处理。
②、 膨胀、腐蚀、开、闭等运算膨胀和腐蚀是所有符合形态变换或形态分析的基础。
如果用A 表示输入图像，B 便是结构元素，那么B 对A 进行膨胀的结果就是图像A 相对于结构元素B 的所有点平移b （b 属于结构元素）后的并集，而腐蚀的结果是图像A 相对于结构元素B 平移的-b 后的交集，他们的数学表达式分别为：膨胀：):(B b b A B A ∈+⋃=⊕ 腐蚀： ):(B b b A B A ∈-⋂=Θ膨胀可以填充图像中比结构元素小的空洞，及在图像边缘出现的小凹陷部分，有对图像外部滤波的作用；腐蚀可以消除图像中小的成分，有对图像内部滤波的作用，并将图像缩小。
形态开、闭运算是膨胀和复试的串行复合运算，他本身是最基本的形态滤波器，他们的数学表达式如下：开：B B A B A ⊕Θ=)( 闭： B B A B A Θ⊕=∙)(开运算是先腐蚀后膨胀，具有消除细小物体、在纤细处分离物体和平滑较大物体边界的作用。
闭运算是先膨胀后腐蚀，具有填充物体内细小空洞，连接临近物体和平滑物体边界的作用。
因为我们要处理的手势二值图像中间没有细小空洞，所以我们只需要使用开运算就可以达到目的。
③、 结构元素形态学图像处理的基本思想是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，便可考虑图像各个部分间的相互关系，从而了解图像的结构特征。
结构元素是重要的、最基本的概念，它在形态变换中的作用相当于信号处理中的“滤波窗口”。
对同一幅图像，结构元素不同，则处理的结果也不同，所以结构元素在这里很重要。
二值图像形态学应用中，结构元素选取的原则往往是具有旋转不变性，或者至少镜像不变性的。
也就是说，结构元素的原点在其几何中心处，并且其他像素关于该原点呈对称状。
二值化方法
二值化方法二值化是图像处理中一种常用的阈值分割方法。
它可以将图像分割成黑白两种颜色，从而使图像更容易处理，并减少图像的尺寸大小。
换句话说，它是一种将图像转换成只有黑白两种颜色的方法。
二值化被广泛应用于各种图像处理应用程序中，包括图像掩码、模板匹配等。
它可以用于在自然图像中提取特定对象，也可以分离噪声，使图像易于识别。
此外，它还可以用于更高级的图像处理应用，如视觉检测和人脸识别。
二值化常用的方法有多种，比如自适应阈值法、最大类间方差法、最小阈值法等。
其中自适应阈值法是一种简单易行的方法，其核心是在每一个像素的领域内，根据灰度值的大小决定阈值。
它可以在不同的图像中针对不同的区域生成更好的阈值，从而产生更好的二值化结果。
最大类间方差法也称为“大津法”，是一种根据图像的灰度直方图来进行阈值分割的算法。
它从图像中提取灰度直方图，并使用类间方差来计算图像的最佳阈值。
它可以有效地分割图像，从而产生更好的二值化结果。
最小阈值法是一种针对噪声图像的阈值分割方法。
它使用一种特殊的算法来识别噪声，并找出最佳的阈值，使得噪声尽可能少地影响最终的二值化结果。
除了上述常用的阈值分割方法之外，还有一些其他的方法，比如变量凝聚分割、迭代阈值匹配等，可以用于更加精细的二值化处理。
此外，有些二值化算法还可以被应用于无线电信号处理。
二值化是图像处理中一种广泛应用的阈值分割方法，它可以使图像更有效地处理，并减少图像的尺寸大小。
它的主要目的是针对不同的图像种类生成最佳的阈值，以使图像得到最佳的二值化结果。
它也被广泛用于图像掩码、模板匹配等多种应用中，并且还可以被应用于更高级的图像处理应用程序，如视觉检测和人脸识别。
然而，由于它的复杂性，二值化方法仍需要更多的研究和改进，以使其在实际应用中产生更好的效果。
二值化处理的原理及其应用
二值化处理的原理及其应用一、什么是二值化处理二值化处理，也称为二值图像处理，指的是将一副灰度图像转化为只包含两种颜色的图像。
通常情况下，这两种颜色是黑色和白色，也可以是其他两种自定义颜色。
二、二值化处理的原理二值化处理的原理基于图像的灰度分布。
在灰度图像中，每个像素点的灰度值都是介于0（黑色）和255（白色）之间的一个数值。
二值化处理通过设定一个阈值将灰度图像的像素点分为两个类别：低于阈值的像素点被设置为0（黑色），高于阈值的像素点被设置为255（白色）。
常用的二值化处理算法有全局阈值算法、局部阈值算法和自适应阈值算法。
1. 全局阈值算法全局阈值算法是最简单的二值化算法之一。
它假设整个图像的前景和背景的灰度值之间存在一个明显的分界点，通过选取合适的阈值将图像二值化。
常见的全局阈值算法有基于固定阈值的大津算法、基于最大熵的最大类间方差法等。
这些算法通过计算像素灰度值的全局分布，选择一个合适的阈值，以实现二值化处理。
2. 局部阈值算法局部阈值算法考虑到图像不同区域的灰度分布不一致性，采用不同的阈值对图像进行分割。
常用的局部阈值算法有均值阈值法、中值阈值法等。
这些算法通过计算像素周围邻域的平均灰度值或中值，以确定每个像素的二值化阈值。
这样可以更好地适应图像中不同区域的灰度特征，提高二值化效果。
3. 自适应阈值算法自适应阈值算法是对全局阈值算法和局部阈值算法的一种改进。
它根据每个像素的局部特征，自适应地选择阈值。
常见的自适应阈值算法有基于局部均值的局部二值化算法、基于局部方差的局部二值化算法等。
这些算法通过考虑像素周围邻域的灰度统计特征，提高了对不同区域的灰度分布的适应能力。
三、二值化处理的应用二值化处理在图像处理和计算机视觉领域被广泛应用。
以下是几个常见的应用场景：1.文字识别：二值化处理可以将图像中的文字区域与背景区域分开，使得文字更容易提取和识别。
2.边缘检测：二值化处理可以将图像中的边缘区域提取出来，用于图像的边缘检测和轮廓分析。
数字图像处理中的二值化技术研究
数字图像处理中的二值化技术研究数字图像处理是指对数字化的图像进行各种算法处理，以改善图像质量、实现目标应用和进行图像分析等。
其中，二值化技术是数字图像处理中应用最为广泛的技术之一。
本文将从二值化的基本原理、常见算法、优化技术以及应用等方面进行综述。
一、二值化的基本原理二值化是将一幅灰度图像转换成只有两种颜色的图像，常见的是黑白二值图像。
它的目的是将灰度范围较大的图像转换为仅包含两种灰度值的图像，以便进行图像分析和处理。
二值化的基本原理就是根据一定的阈值将像素点的灰度值分为两类，一类是大于等于阈值的像素点，另一类是小于阈值的像素点。
然后将这两类像素点分别用黑色和白色进行表示，从而得到一幅二值图像。
二、常见的二值化算法1.全局阈值法全局阈值法也称为固定阈值法，是最简单、最基本的二值化算法之一。
它的原理是将整幅图像的灰度直方图进行分析，将图像中所有像素的灰度值设置为一个固定的阈值，一般取灰度直方图的平均值或中值。
然后对于灰度值大于等于该值的像素点置为白色，灰度值小于该值的像素点置为黑色。
但这种算法容易受到光照不均匀、噪声较多等因素的影响，产生误判。
2.手动阈值法手动阈值法是根据观察或经验设置阈值，也称为交互式的阈值法。
它适用于像素灰度值分布不均匀，且图像背景和目标差异大的情况。
3.自适应阈值法自适应阈值法是根据图像在局部区域内的灰度值特征进行划分，常见的有局部均值法和Otsu法。
局部均值法是将像素点周围一定大小的区域内的灰度值作为阈值，并将该像素点二值化。
这种算法可以对灰度分布不均匀、光照不均匀等情况适用。
Otsu法是利用图像中目标与背景之间灰度值分布的偏差，自适应地确定一个能够最大程度区分两个类别的阈值。
4.基于形态学的阈值法形态学阈值法基于二值图像形态学操作的方法，能够有效去除噪声和骨骼化等图像处理，并能够保留目标的边界。
它的核心思想是基于图像特征对阈值进行判断，通常是先对图像进行形态学膨胀操作，然后求出局部的最大值，作为阈值进行二值化操作。
图像处理技术中的阈值分割与二值化方法
图像处理技术中的阈值分割与二值化方法在图像处理领域中，阈值分割与二值化方法是一种常用且重要的技术。
它们可以将一幅灰度图像分为多个亮度不同的区域，从而提取出我们感兴趣的目标。
阈值分割与二值化方法在很多应用中都有广泛的应用，比如目标检测、图像增强、字符识别等。
本文将详细介绍这两种方法的原理和常见应用。
我们来了解一下阈值分割的原理。
阈值分割是基于图像的灰度值来进行图像分割的一种方法。
它主要通过设置一个阈值，将图像中的像素根据其灰度与阈值的关系划分为两类：亮区域和暗区域。
对于每个像素，如果其灰度值大于阈值，则划分为亮区域，否则划分为暗区域。
这样，我们就可以得到一幅二值图像，其中亮区域的像素值为255（白色），暗区域的像素值为0（黑色）。
阈值分割方法有多种，常见的有全局阈值分割、自适应阈值分割和多阈值分割等。
全局阈值分割是在整幅图像上寻找一个全局的阈值进行分割，适用于图像中目标与背景之间的灰度差异较大的情况。
自适应阈值分割则是根据图像中每个像素周围的灰度值来确定其阈值，适用于图像中目标与背景之间的灰度差异较小的情况。
多阈值分割则是将图像分为多个灰度级别的区域，适用于图像中存在多个目标的情况。
除了阈值分割，二值化方法也是一种常见的图像处理技术。
二值化方法将一幅灰度图像转换为二值图像，即将所有像素的灰度值限定为两种取值：0和255。
这种方法可以将图像的细节信息保留，同时降低图像的复杂度。
常见的二值化方法有全局二值化和局部二值化。
全局二值化方法是通过设定一个全局的灰度阈值，将图像中的像素根据其灰度与阈值的关系划分为两类。
与阈值分割类似，全局二值化也是将灰度值高于阈值的像素设为255（白色），低于阈值的像素设为0（黑色）。
不同之处在于，全局二值化是在灰度图像上进行的操作，而阈值分割可以是在原始彩色图像上进行。
局部二值化方法与全局二值化方法相比，更加适用于灰度变化较大、光照不均匀的图像。
它将图像分成很多个小块，在每个小块上进行局部阈值分割。
图像处理中的图像二值化算法
图像处理中的图像二值化算法随着科技的发展，图像处理技术应用越来越广泛。
作为一项基础技术，图像二值化算法在图像处理中扮演着非常关键的角色，它可以将图像分割成黑白两种颜色，也就是将图像中的灰度值转化为0和1，简化了后续的处理流程。
本文将介绍图像二值化算法的基本原理和应用情况。
一、二值化算法的基本原理在图像中，每个像素都有一定的灰度值，在8位灰度图像中，灰度值的范围在0-255之间，其中0是代表黑色，255代表白色。
当我们需要处理一张图片时，如果直接对每一个灰度值进行处理，那么处理的过程就会非常繁琐，因此，我们需要将图像灰度值转化为0和1两种数字进行处理。
常见的二值化算法有全局阈值算法、局部阈值算法、自适应阈值算法、基于梯度算法等。
其中，全局阈值算法是最基本、最简单的一种算法。
它将整张图像分成黑白两个部分，通过将整个图像的像素点的灰度值与一个固定的阈值进行比较，如果像素点的灰度值大于阈值，就将该像素点的灰度值置为1，否则置为0。
使用全局二值化算法的步骤如下：1.将图像读入到内存中；2.将图像转化为灰度图像；3.计算整个图像的平均灰度值，该平均灰度值作为全局阈值；4.将图像中每个像素点的灰度值与该全局阈值进行比较，灰度值大于等于该全局阈值的像素点赋值为255（代表白色），小于该阈值的像素点赋值为0（代表黑色）；5.输出处理后的图像。
当然，这种方法的缺点也非常明显，那就是无法适应不同场合下的图像处理需求，处理效果难以保证。
因此，我们需要更为灵活的算法和方法来进行二值化处理。
二、不同类型的二值化算法1.基于直方图的全局阈值法二值化算法中的全局阈值算法通常是将整个图像分成两类像素：一类像素比较暗，另一类像素比较亮。
在直方图中，该分割就是直方图上的两个峰。
我们可以通过直方图分析来确定这个阈值，并将灰度值低于阈值的像素变为黑色，将灰度值高于阈值的像素变为白色。
对于图像I(x,y)，它的灰度直方图h(i)可以表示为：h(i) = N(i) / MN (i=0,1,…,L-1)其中N(i)是图像中所有像素灰度值为i的像素数量，MN是总的像素数量，L是灰度级别数量（在8位图像中，L等于256）然后我们需要确定一个阈值T，所有像素点的灰度值小于T的变为黑色，大于等于T的变为白色。
轮廓二值算法
轮廓二值算法
轮廓二值算法是一种图像处理方法，主要用于从图像中提取物体的轮廓。
它将图像中的像素分为两类，一类是物体内部像素，另一类是背景像素。
该算法主要通过应用阈值处理、边缘检测和形态学操作等技术来实现。
以下是一种常见的轮廓二值算法步骤：
1.预处理：对原始图像进行去噪、平滑处理，以消除图像中的噪声和细微变化。
2.应用阈值处理：根据预处理后的图像，选择一个合适的阈值，将图像中的像素分为两类。
一般来说，阈值的选择可以通过观察图像的直方图来实现，使得背景和物体之间的像素值差异最大。
3.边缘检测：在二值图像中，应用边缘检测算法（如Sobel算子、Prewitt算子等）来识别物体的边缘。
边缘检测结果是一系列连接物体内部像素的线段。
4.轮廓提取：遍历边缘检测结果中的每个线段，找到相邻且方向相同的线段，将其合并成一条轮廓。
最终得到物体的轮廓集合。
5.形态学操作：对提取的轮廓进行形态学处理，如开运算、闭运算等，以消除噪声和填充空洞。
6.轮廓优化：对优化后的轮廓进行细化处理，以消除宽度过大的轮廓线段。
7.输出结果：将优化后的轮廓作为最终结果输出。
这种轮廓二值算法在许多领域都有应用，例如计算机视觉、目标检测和图像分割等。
通过该算法，可以快速准确地提取物体轮廓，为后续的图像分析和处理提供基础。
简述图像二值化的基本过程
简述图像二值化的基本过程图像二值化是一种处理图像的技术，通过将像素信息降低到二个级别，可以将图像简化成黑白两色，只包含黑白两种颜色，从而使得识别、分割和处理图像变得更容易和更快。
本文将针对图像二值化的基本过程进行简要的介绍。
一、基本原理图像二值化的原理是对图像进行分割，先对所有像素进行灰度转换，将彩色图像变成灰度图像，然后通过设定一个阈值，将图像分割成黑白两种颜色。
在实际应用中，选择合适的阈值和确定合理的阈值是图像二值化的关键所在。
二、像素灰度转换从所有像素中取出每一个像素，就是对这个像素进行灰度转换，也就是将彩色图像变成灰度图像的过程。
这是图像二值化的首要步骤。
具体的实施方式是：取出每一个像素的R、G、B三个通道，然后将其映射到灰度空间中，比如：均值法平均（mean）、中值法计算灰度值（median）、加权平均法计算灰度值（weighted average）等，将R、G、B三个通道的数值映射到0~255之间的数值。
三、图像二值化二值化是指将灰度图像的像素点的灰度值划分为黑白两种颜色，这一步需要确定一个合理的阈值。
在常用的二值化算法中，具体的实施方式是：将每一个像素的灰度值与参考的阈值比较，如果比阈值大，则认为是白色，小于等于阈值，则认为是黑色；最常用的阈值选择方法有：大津法（OTSU）、最大熵法（MaxEntropy）、最小二乘法（LeastSquare）、局部自适应阈值法（LocalAdaptiveThreshold）等。
四、图像二值化的应用图像二值化的应用非常广泛，主要有以下几个方面：1.图像识别和检测中，可以通过二值化可以有效识别和检测出图像中的特征；2.图像分割中，可以通过二值化技术将一副图像分割成不同的物体；3.图像压缩和储存中，可以通过图像二值化，将图像进行简化，从而有效减少图像文件的大小；4.图像处理中，可以通过二值化技术，对图像进行降噪，滤除非常细微的噪声；五、总结图像二值化是一种有效的图像处理技术，通过灰度转换将图像分割成黑白两色，可以方便的进行图像识别、图像分割、图像压缩及图像去噪等操作，从而为后续的图像处理提供非常有效的前提。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第8章 概述
灰度图像的二值化处理 二值图像的连续性 二值图像的轮廓跟踪 二值图像的细化
§8.1 灰度图像的二值化处理
定义
确定阈值t的方 法
直方图方法 微分直方图方法 多阈值处理方法
灰度图像的二值化处理 定义
是一种区域分割的技术
灰度图像的二值化处理 定义
设 f (i, j) 表示像素在（i,j）位置的灰度值，二值化处理
3 32 21 32
23 1 2 B3
A 12 12 3
32 3
距离的4-邻域表示
22 21 21 21
2 22 1 1 B2
A 12 1 12
2 2 2 22
距离的8-邻域表示
二值图像的表示
二值图像的一个连接成分在屏幕上的位置的两种表示方法：
直角坐标表示法 (x,y)表示一个像素的坐标。
13 12
11 10
1
2
3
4 5
x
6
7 8 9
y
设置一个数组，用N（1，1）
表示（x1,y1）;N(2,2)表示 (x2,y2)；……；N(13，
(x13,y13)1。3)表示
那么图像的连接顺序为：
123
13 1
二值图像的表示
链码表示法 一种矢量表示法，具有方向性； 是相互邻接的两个像素按照不同的方向给定一个规定 的数字符号（码）。 用一串这样的符号（码）表示一个连接成分的方法叫 链码表示法。 优点：直观、节约内存。
连接成分的轮廓-4
3、如果4-邻域均不在像素集合R内时，又分两种情况：
1）如果8-邻域内的1、3、5、7方向 中的任一个存在R内时，该像素可能构成 轮廓像素；
A
32 1 4B 0
56 7
2）如果当前像素的4-邻域均不在R内，且1、3、5、7方向上的像素也 不在R内，这是一种特殊情况，则当前像素为孤立点。
B
A
E
D
轮廓跟踪时，紧邻该像素前面 和后面的那两个像素。图中：
E和A是B像素的C-近邻；B和D 是像素A的C-近邻;
E不是A像素的C-近邻。
多重像素-2
具有以下条件之一的像素就是多重像素： 在轮廓跟踪时，它被经历两次或两次以上； 在集合R的内部它没有近邻像素存在； 它至少有一个d-近邻属于轮廓，但是该近邻不是它的一个C-近邻。
像素的4-邻域(4-Neighbor)，也称像素的（i,j）的直接邻域，其符号表 示为d-近邻。
像素的8-邻域(8-Neighbor)，除去d-近邻的像素外，余下的对角线上的4 个像素，称为（i,j）的非直接邻域，符号是：i-近邻。
(i,j -1)
(i-1,j) (i,j)
(i+1,j)
(i,j+1)
p(z) Pb pb (z) Po po (z)
P exp[ (z b )2 ]
2b b
22 b
P exp[ (z o )2 ]
2o o
22 o
其中 b 和 分别是背景和目标区域的平均灰度值，
和 o 是均值的o 均方b差， Po 和 Pb 分别是背景和目标区域
灰度值的先验概率。由于Po Pb 1 ，因此混合概率密度公式
像素的4-邻域
X3
X2
X1
(i-1,j-1) (i-1,j) (i-1,j+1)
X4
X
(i,j-1) (i,j)
X0 (i,j +1)
X5
X6
X7
(i+1,j-1) (i+1,j) (i+1,j+1)
像素的8-邻域
像素的连接
e
a
1
a2
b
d
c
相同数值的两个像素能 够在4-/8-邻域内通过具有相 同像素值的像素序列相连 接，则称这两个像素是4-/8连接。
则两点间的距离d可表示： B
A
| d |2 (xB xA )2 ( yB yA )2
| d | 5
在二值图像中的表示方 法
1、距离的4-邻域表示：
像素A的d-近邻表示为 对它的距离为1，它们 的i-近 邻用数值2表
像素间的距离-2
2、距离的8-邻域表示： 像素A的8-近邻中的每个像素，表示为对它的距离为1， 围绕它的8-邻域的外围像素为2，依此类推。
为下式所示。
1 f (i, j)
0
f (i, j) t f (i, j) t
这里 t 称为二值化阈值（Threshold）.
灰度图像的二值化处理 定义
直方图
二值 图像
原图 像
确定阈值t的方法——直方图方法
直方图是阈值最佳选择依据 使用全局阈值，整幅图像用一个阈值处理。适用于对比度 强的图像。
物体和背景的对比度在图像各处不一样时，需要选取多个 阈值进行处理。
Tk+1 Tk
Tk-1 T0
k+1 k k- 1
§8.2 二值图像的连续性
邻域和邻接 像素的连接 连接成分 像素的可删除 性 像素间的距离 二值图像的表 示
邻域和邻接
对于任意像素（i,j），把包含该像素在内的一个集合称为像素（i,j）的邻 域。
A
B
C
D
多重像素的应用：程序 实现
像素A、B、C、D都是多重的。
§8.4 二值图像的细化
定义 应用举例 中轴转换 法 骨架法
二值图像的细化——定义
细化，就是把一个具有一定面积的区域用一条（或一组）曲 线（或细线）来代表它。
从广义角度讲，细化操作属于连接成分的变形操作。
细化是图像分析、信息压缩、特征识别常用的技术， 使图 像的每一条纹都变成单像素宽的“点线”，且细 化后 的纹线近似处于原图的“中轴”，
照上式进行计算，其连接数总是取0-4之间的值。
像素的连接数-2
X3 X2 X1 X4 X X0 X5 X6 X7
Nc=3 Nc=1
Nc=4 Nc=2 Nc=0
Nc=0, 孤立点或内部点；
Nc =1, 端点, 边界点； Nc=2, 连接点； Nc=3, 分支点；
Nc=4, 交叉点；
像素的可删除性-1
二值图像的细化的应用举例
在指纹、文字的自动识别过程中，需要把二值图像 进行细化，还可以大大减少冗余的信息。
细化图像 二值图像
识别特征点
二值图像的细化的应用举例
GPS车辆轨迹对地图精确性的校验
原始二值图
细化后的图像
GIS所使用的数字地图一般都是经过对原始地图的数字化得到的，由于误差 的存在，原始地图精度差，数字化误差又进一步导致数字地图的不准确，采
前景和背景灰度值差别较小， 前景和背景灰度值差别较大时 但呈现双峰分布
频数
P(z)
Pb (z)
Po (z)
t
灰度级 0
Eb(T )
t
z
Eo(T)
确定阈值t的方法——直方图方法
最优阈值（误分割率最小的分割阈值）的选取-1
设一幅混有加性高斯噪声的图像，背景和目标的概率密度 分别是 pb (z) 和 po (z) ，整幅图像的混合概率密度是 p(z)
中有5个未知数。
最优阈值（误分割率最小的分割阈值）的选取-2
如果确定阈值是 T，则灰度值小于T的像素分割为背景，灰 度值大于T的像素分割为目标。这时，错误地将目标像素划
分为背景的概率和错误地将背景像素划分为目标的概率分别
为： T Eb (T ) p o (z)dz
而总的误差概率是
Eo (T ) pb (z)dz
1的多连接成分 1的单连接成分
连接成分-2
连接成分的标记 标记是为了区
分图像中的多个区域。 连接成分的标记
1
2
也称为区域标记，标记的 步骤主要有：
1、自上而下扫描，当遇到第一个为“1”的
像素时，赋予它一个标记，如：标为块
“1”；
b
3
2、利用“连接成分的轮廓跟踪”方法，确
定此区域； 3、区域填充完成整个连接成
如果此邻连接成分数为1，则说明删除当前像素点不会改变 原图的连通性；若大于1，则改变了原图的连通性 Nc=1的几个实例
0 00 1 10 1 10
111 110 110
000 010 111
010 010 000
000 011 011
100 110 000
像素间的距离-1
A,B两点的坐标分别为（xA,xA） (xB,yB)
表示灰度为0的点 表示 灰度为1的点
连接成分-1
孤立点 c
a
bb
孔： 在“0”连接成分中，如果存在与外 围 的一行、一列的像素不连接成分， 则称 为孔。如a，b。 单连接成分 不包含孔的“1”连接成分称 为单连接成分； 孤立点： 仅含有一个像素的“1”单连接 成分； 多重连接成分： 含有孔的“1” 连接成分称为多连接成分。
分的标记；
4、重新查找新的连接成分，标记数可以 进行“+1”的运算。
像素的连接数-1
某个像素的连接数可以用这个像素的8-邻域值 f (x0 )… f (x7) 来 计算
Nc
[(1f (xk )) (1f (xk ))(1f (xk 1 ))(1f (xk 2 ))]
k 0,2,4,6
当 xk x8 时，令 x8 对于一个像素的x08-邻域的所有可能存在的值， 按
消除孔 Nc=2 不能删除
像素的可删除性是指删去这个像素，图像的 连接成分的 连接性不改变，则这个像素被称为 是可删除的。 连接性不变是指，各连接成分不分离，不结 合，孔不消 除也不生成。
像素的可删除性-2
细化过程中，在判断是否删除一个前景像素点时，需要考虑 其3*3邻域中除其自身外的8个像素点中的连接成分数。