二值图像连通域标记算法与代码 收藏
二值图像连通域标记算法与代码 收藏 10:19:42二值图像连通域标记算法与代码
这里列举二值图像连通域标记算法包括直接扫描标记算法和二值图像连通域标记快速算法 一、直接扫描标记算法把连续区域作同一个标记，常见的四邻域标记算法和八邻域标记算法。 1、 四邻域标记算法： 1） 判断此点四邻域中的最左，最上有没有点，如果都没有点，则表示一个新的区域的开始。
2） 如果此点四邻域中的最左有点，最上没有点，则标记此点为最左点的值；如果此点四邻域中的最左没有点，最上有点，则标记此点为最上点的值。
3） 如果此点四邻域中的最左有点，最上都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。
2、 八邻域标记算法： 1） 判断此点八邻域中的最左，左上，最上，上右点的情况。 如果都没有点，则表示一个新的区域的开始。
2） 如果此点八邻域中的最左有点，上右都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。
3） 如果此点八邻域中的左上有点，上右都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。
4） 否则按照最左，左上，最上，上右的顺序，标记此点为四个中的一个。 代码实现： #include #include #include //连通区域属性结构 typedef struct tagMarkRegion { std::list MarkPointList;//点列表 RECT rect; }MarkRegion;
//定义MarkMap 结构，用来存放等价对 typedef struct tagEqualMark { int MarkValue1; //标记值 int MarkValue2; //标记值 } EqualMark;
//定义MarkMapping 结构，用来存放标记映射关系 typedef struct tagMarkMapping { int nOriginalMark; //第一次扫描的标记 int nMappingMark; //等价整理之后对应标记 } MarkMapping;
/* 功能说明：八连通标记 参数说明：I，表示图像数据指针 ImageWidth,表示图像宽 ImageHeight，表示图像高 off，表示偏移量 nFlag,表示指定标记 iColorType，表示颜色类型，（黑点，白点） markInfo，表示连通区域属性信息 返回值：连通点数量，int类型 */ int FillAreaFlag33(LPINT I,int ImageWidth,int ImageHeight,long off,int nFlag,int iColorType,MarkRegion &markInfo)
{ bool bNew; RECT rect; int m,n,i,j,k,nDot=1,offset,offtemp,yMin; int dxy[8],x,y; dxy[0]=-ImageWidth-1; dxy[1]=-ImageWidth; dxy[2]=-ImageWidth+1;
dxy[3]=-1; dxy[4]=1;
dxy[5]=ImageWidth-1; dxy[6]=ImageWidth; dxy[7]=ImageWidth+1; rect.left=65535; rect.right=-1; rect.bottom=65535; rect.top=-1; markInfo.MarkPointList.clear(); POINT ptTmp; if(I[off]==iColorType && I[off]!=nFlag)//黑点同时未被标记的情况 { I[off]=nFlag; x=off%ImageWidth; y=off/ImageWidth; ptTmp.x = x; ptTmp.y = y; markInfo.MarkPointList.push_back(ptTmp); if(xrect.left=x; if(x>rect.right) rect.right=x; if(yrect.bottom=y; if(y>rect.top) rect.top=y; } else { return 0; }
for(i=y; i{ bNew=false; yMin=i; for(j=0; j{ offset=i*ImageWidth+j; if(I[offset]==nFlag) { for(k=0; k<8; k++)//八邻域搜索 { if(i==0 && k<=2) continue; if(i==ImageHeight-1 && k>=5) continue; if(j==0 && (k==0 || k==3 || k==5)) continue; if(j==ImageWidth-1 && (k==2 || k==4 || k==7)) continue; offtemp=offset+dxy[k]; if(I[offtemp]==iColorType && I[offtemp]!=nFlag) { I[offtemp]=nFlag; nDot++; m=offtemp/ImageWidth; n=offtemp%ImageWidth; ptTmp.x = n; ptTmp.y = m; markInfo.MarkPointList.push_back(ptTmp); if(n < rect.left) rect.left=n; if(n > rect.right) rect.right=n; if(m < rect.bottom) rect.bottom=m; if(m > rect.top) rect.top=m; y=offtemp/ImageWidth; if(y<=yMin) { yMin=y; if(!bNew) bNew=true; } } } } } if(bNew) { i=yMin-1; } } markInfo.rect.left = rect.left; markInfo.rect.right = rect.right; markInfo.rect.top = rect.top; markInfo.rect.bottom = rect.bottom; return nDot; }
/* 功能说明：四连通标记 参数说明：I，表示图像数据指针 ImageWidth,表示图像宽 ImageHeight，表示图像高 off，表示偏移量 nFlag,表示指定标记 iColorType，表示颜色类型，（黑点，白点） markInfo，表示连通区域属性信息 返回值：连通点数量，int类型 */ int FillAreaFlag22(LPINT I,int ImageWidth,int ImageHeight,long off,int nFlag,int iColorType,MarkRegion &markInfo)
{ bool bNew; RECT rect; int m,n,i,j,k,nDot=1,offset,offtemp,yMin; int dxy[4],x,y; dxy[0]=-ImageWidth; dxy[1]=1; dxy[2]=ImageWidth; dxy[3]=-1; rect.left=65535; rect.right=-1; rect.bottom=65535; rect.top=-1; markInfo.MarkPointList.clear(); POINT ptTmp; if(I[off]==iColorType && I[off]!=nFlag)//黑点同时未被标记的情况 { I[off]=nFlag; x=off%ImageWidth; y=off/ImageWidth; ptTmp.x = x; ptTmp.y = y; markInfo.MarkPointList.push_back(ptTmp); if(xrect.left=x; if(x>rect.right) rect.right=x; if(yrect.bottom=y; if(y>rect.top) rect.top=y; } else { return 0; }
for(i=y; i{ bNew=false; yMin=i; for(j=0; j{
保持二值图像连通性的缩小算法
ｐ ｏｃ ｓ ｅ ｃ ｏ ｄ ｎ ｔ ｔ ｈｕ ａ ｖｉｕ ｌ ｙｓ ｅ ｒ ｅ ｓ ｄ ａ ｃ ｒ ｉ ｇ ｏ ｈｅ ｍ ｎ ｓ ａ ｓ ｔ ｍ ａ ｄ ｏ ｉ ｅ ｉ ｇ ｈｅ ｏｎ ｃ ｉ ｔ ｗｉｈ ｈｅ ｒ ｏ ａ ｎ ｃ ｎｓｄ ｒｎ ｔ ｃ ｎｅ ｔｖｉｙ ｔ ｔ ｉ ｌ ｃ ｌ
ｒ ｇｉ ｒ ｐ ｏｃ ｓ ｅ ａ ｃ ｒ ｉ ｔ ｔ ｈｕ ａ ｖｉｕ １ ｙｓ ｅ ． Ｔｈｅ ｅ ｏｎｓ ａ ｅ ｒ ｅ ｓ ｄ ｃ ｏ ｄ ｎｇ ｏ ｈｅ ｍ ｎ ｓ ａ ｓ ｔ ｍ ｐｉ ｅ ｓ ｎ ｈｅ ｄｇ ｒ ｇｉ ｓ ｒ ｘ ｌ ｉ ｔ ｅ ｅ ｅ ｏｎ ａ ｅ
。 Ｓ ｈｏ ｌ ｆ ｍｐｕｅ ｉｎ ｅ，Ｓ ａ ｘｉＮｏ ｍａ ｉｅ ｓｔ （ ｃ ｏ Ｃｏ ｏ ｔｒＳｃｅ ｃ ｈ ｎ ｒ ｌＵｎｖ ｒｉｙ，ｘｉ ｎ ７１ ０ ２ ０ ６ ） ａ
Ａｂ ｔ ａ ｔ ｎ ｔ ｓ ｐａ ｅ ｅ ｐ ｏｐ ｓ ｓ ｉ ｋｉ ｇ ａ ｇ ｒｔ ｓ ｒ ｃ ：Ｉ ｈｉ ｐ ｒ ｗ ｒ ｏ ｅ ａ ｈｒｎ ｎ ｌ ｏ ｉｈｍ ｅ ｅ ｖ ｎ ｏ ｎｅ ｔｖｉｙ ｆ ｎ ｒ ｉ ａ ｓ ｐｒ ｓ ｒ ｉ ｇ ｃ ｎ ｃ ｉ ｔ ｏｒ ｂｉ ａ ｙ ｍ ｇｅ ．
（ｕ ｅ ｉｇｘｎ ｇ ａｌｃ ｒ ） １ｄ ｘｎ ｉｇ＠ ｍ ｉ ｏ ． ｎ
７０ ６ ） １０ ２
摘
要 ： 对 二 值 图像 进 行 大 因 子缩 小 时容 易 产 生 连 通 性 丢 失 的 问题 ， 出一 种 保 持 连 通 性 的 缩 小 算 法 ． 二 值 图 针 提 将
像 划 分 成 互 不相 交 的矩 形 区域 ， 光 滑 区域 的像 素 根 据 人 眼 视 觉 系 统 进 行 处 理 ， 边 缘 区域 的 像 素 根 据 人 眼 视 觉 系 对 对 统 和局 部 邻 域 的 连 通 性 进 行 处理 ， 通 过 保 持 连 通 性 来 保 持 图 像 的 拓 扑结 构 ， 到 拓 扑结 构 较 好 的 缩 小 图像 ． 验 并 得 实 结 果 表 明 ， 已有 算 法 相 比 ， 中算 法 能 够 在 保 持 形 状 的 情 况 下兼 顾 图像 的拓 扑 结 构 ． 与 文 关 键 词 ： 状 保 持 ； 通性 保 持 ； 形 连 二值 图像 缩 小
一种易于实现的适于细胞图像连通区域的标记算法_喻杰
第15卷第2期2005年4月江苏大学学报(医学版)Journa l of Ji angsu U niversity(m ed i c i ne)V o.l15N o.2A pr.2005一种易于实现的适于细胞图像连通区域的标记算法喻杰,许化溪(江苏大学医学技术学院,江苏镇江212001)[摘要]目的:为了实现简化细胞图像连通区域标记算法,本研究结合当前的应用情况提出了一种基于递归技术并适合于细胞图像目标区域的标记算法,探讨了其应用于白细胞计数的可能性。
方法:常规瑞氏染色光镜下人工计数白细胞;应用计算机和CCD相机采集血涂片细胞图像,细胞标记递归算法进行细胞图像处理并计数白细胞。
结果:此算法只需要一次扫描就可完成标记过程,因此算法的实现比经典的像素标记算法大大简化。
应用该算法对19份血涂片样本进行标记,取得了较为满意的效果。
本文还对区域标记时应注意的问题进行了讨论。
结论:本研究应用递归过程建立的细胞图像连通区域的标记算法,适于在尚不发达地区实现白细胞计数的计算机化,也为应用计算机进行医学形态学研究提供了思路。
[关键词]细胞图像;图像分割;连通区域[中图分类号]R446[文献标识码]A[文章编号]1671-7783(2005)02-0152-03 An Achievable A lgorith m Suitable to Cell I m age Connected A reaYU J ie,XU H ua-xi,WANG Sheng-jun(S chool ofM ed icalT echnol ogy,Jiangsu U n i versit y,Zhen ji ang J i angs u212001,Ch i na)[Abstract]Objective:I n order to si m ple t h e realization of connected co m ponent labeli n g algo rithm,a connected co m ponent labeling algorith m based on recursi o n is presented i n th i s st u dy,it m ay be useful for w hite blood cell(W BC)coun.t M et hods:W right sta i n i n g w as used to countW BC artific ially by m icr osco-py.C o mpu ter and CCD ca m era w ere app li e d to take the picture of b l o od cells fro m b l o od s m ear and the cell i m age w as treated usi n g t h e a l g orit h m of cell labeli n g recursion.R esults:Th is a l g orit h m can co m plete the labe li n g w ith on l y one ti m e o f scann i n g,so the realization of the algorithm w as m ore si m pler than that o f the classic p i x e l labeling.App lying this algor ithm in labe li n g n i n eteen sa m ples of b lood ce ll flake obta i n ed sa-t isfy i n g effec.t Concl u sion:The algo rithm is su itable fo r co m puterizi n gW BC coun t i n a less developed area, it a lso he l p to bri n g about co m puter application on m ed ica lm or pho l o g ic stud ies.[Key w ords]Ce ll i m age;I m age seg m enta ti o n;Connected area生物医学研究有一个显著的特点)))海量信息,现代众多的医学研究都需要借助计算机,这是因为计算机有着高速,准确的信息处理能力。
matlab函数—连通区域函数(重要)
matlab函数_连通区域1、matlab函数bwareaopen──删除小面积对象格式：BW2 = bwareaopen(BW,P,conn)作用：删除二值图像BW中面积小于P的对象，默认情况下使用8邻域。
算法：(1)Determine the connected components.L = bwlabeln(BW, conn);(2)Compute the area of each component.S = regionprops(L, 'Area');(3)Remove small objects.bw2 = ismember(L, find([S.Area] >= P));2、matlab函数bwarea──计算对象面积格式：total = bwarea(BW)作用：估计二值图像中对象的面积。
注：该面积和二值图像中对象的像素数目不一定相等。
3、matlab函数imclearborder──边界对象抑制格式：IM2 = imclearborder(IM,conn)作用：抑制和图像边界相连的亮对象。
若IM是二值图，imclearborder将删除和图像边界相连的对象。
默认情况conn=8。
注：For grayscale images, imclearborder tends to reduce the overall intensity level in addition to suppressing border structures.算法：(1)Mask image is the input image.(2)Marker image is zero everywhere except along the border, where it equals the mask image.4、matlab函数bwboundaries──获取对象轮廓格式：B = bwboundaries(BW,conn)（基本格式）作用：获取二值图中对象的轮廓，和OpenCV中cvFindContours函数功能类似。
05二值图像分析
二值图像及其意义
图像定义
一副数字图像是一个二维阵列，阵列元素值称为灰度值 或亮度值。
二值图像定义
只有黑、白两级灰度的图像。分别用1和0表示。
二值图像优点
去掉无关信息的干扰 几何与拓扑特性的表示与分析 节省资源
L = bwlabel(BW,4) [r, c] = find(L==2); rc = [r c]
区域边界—边界跟踪算法
参考“预处理”部分
距离测量
参考"基础"一章对应内容
描述二值图像的特征
• 基于边界的特征
– 链码、边界长度、边界标记、边界形状数
• 基于区域的特征
– 四叉树、围绕区域、骨架、面积、质心、密度、区域 形状数、不变矩、拓扑特征
第五章 二值图像分析 Chapter 5 Binary Image Analysis
Ref. Book
• 二值图像分析基本过程 预处理-->二值化-->图像描述(特征提取)-->分析识别
(预处理和二值化过程参考前面章节)
二值图像分析的意义
经过图像分割之后，获得了目标物与非目标物两 种不同的对象。但是提取出的目标物存在以下的 问题：
L=N *=L，N中小标号
连通成分标记 — 序贯算法
• [L, num] = bwlabel(BW, n)
BW = logical (... [1 1 1 0 1 1 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 1 0 0 0; 1 1 1 0 0 0 1 0; 1 0 1 0 0 0 1 0; 1 0 1 0 0 1 1 0; 1 1 1 0 0 1 0 0; 1 1 1 0 0 0 0 1]);
图像区域求质心，面积
图像区域求质⼼，⾯积⼆值图像中⼤于0的像素个数就是图像的⾯积坐标x乘以每个像素点的值求和，除以图像中像素值的和得到质⼼注意图像的宽⾼范围从1-width，1-height。
/jia20003/article/details/17596645图像处理之计算⼆值连通区域的质⼼⼀：⼏何距(Geometric Moments)知识与质⼼寻找原理1. Image Moments是图像处理中⾮常有⽤的算法，可以⽤来计算区域图像的质⼼，⽅向等⼏何特性，同时Mpq的⾼阶具有旋转不变性，可以⽤来实现图像⽐较分类，正是因为Moments有这些特性，很多⼿绘油画效果也会基于该算法来模拟实现。
它的数学表达为：它的低阶M00，M01, M10可以⽤来计算质⼼，中⼼化以后M11,M02,M20可以⽤来计算区域的⽅向/⾓度2. 什么是质⼼就是通过该点，区域达到⼀种质量上的平衡状态，可能物理学上讲的⽐较多，简单点的说就是规则⼏何物体的中⼼，不规则的可以通过挂绳⼦的⽅法来寻找。
⼆：算法流程1. 输⼊图像转换为⼆值图像2. 通过连通组件标记算法找到所有的连通区域，并分别标记3. 对每个连通区域运⽤计算⼏何距算法得到质⼼4. ⽤不同颜⾊绘制连通区域与质⼼，输出处理后图像三：算法效果左边为原图，右边蓝⾊为连通组件标记算法处理以后结果，⽩⾊点为质⼼四：关键代码解析1. 计算⼏何距算法代码double m00 = moments(pixels, width, height, 0, 0);double xCr = moments(pixels, width, height, 1, 0) / m00;// rowdouble yCr = moments(pixels, width, height, 0, 1) / m00;// columnreturn new double[]{xCr, yCr};2. 连通组件标记算法代码参见这⾥:五：程序源代码[java]1. package com.gloomyfish.image.moments;2.3. import java.awt.image.BufferedImage;4.5. import com.gloomyfish.filter.study.AbstractBufferedImageOp;6. import com.gloomyfish.rice.analysis.FastConnectedComponentLabelAlg;7. // Geometric Moments Computing8. // low-order moments - calculate the center point9. // second-order moments - get angle size10. // projection -11. public class GeometricMomentsFilter extends AbstractBufferedImageOp {12.13. @Override14. public BufferedImage filter(BufferedImage src, BufferedImage dest) {15. int width = src.getWidth();16. int height = src.getHeight();17.18. if ( dest == null )19. dest = createCompatibleDestImage( src, null );20.21. // first step - make it as binary image output pixel22. int[] inPixels = new int[width*height];23. int[] outPixels = new int[width*height];24. getRGB( src, 0, 0, width, height, inPixels );25. int index = 0;26. for(int row=0; row<height; row++) {27. int tr = 0;28. for(int col=0; col<width; col++) {29. index = row * width + col;30. tr = (inPixels[index] >> 16) & 0xff;31. if(tr > 127)32. {33. outPixels[index] = 1;34. }35. else36. {37. outPixels[index] = 0;38. }39. }40. }41.42. // second step, connected component labeling algorithm43. FastConnectedComponentLabelAlg ccLabelAlg = new FastConnectedComponentLabelAlg();44. ccLabelAlg.setBgColor(0);45. int[] labels = ccLabelAlg.doLabel(outPixels, width, height);46. int max = 0;47. for(int i=0; i<labels.length; i++)48. {49. if(max < labels[i])50. {51. System.out.println("Label Index = " + labels[i]);52. max = labels[i];53. }54. }55.56. // third step, calculate center point of each region area(connected component)57. int[] input = new int[labels.length];58. GeometricMomentsAlg momentsAlg = new GeometricMomentsAlg();59. momentsAlg.setBACKGROUND(0);60. double[][] labelCenterPos = new double[max][2];61. for(int i=1; i<=max; i++)62. {63. for(int p=0; p<input.length; p++)64. {65. if(labels[p] == i)66. {67. input[p] = labels[p];68. }69. else70. {71. input[p] = 0;72. }73. }74. labelCenterPos[i-1] = momentsAlg.getGeometricCenterCoordinate(input, width, height);75. }76.77. // render the each connected component center position78. for(int row=0; row<height; row++) {79. for(int col=0; col<width; col++) {80. index = row * width + col;81. if(labels[index] == 0)82. {83. outPixels[index] = (255 << 24) | (0 << 16) | (0 << 8) | 0; // make it as black for background84. }85. else86. {87. outPixels[index] = (255 << 24) | (0 << 16) | (0 << 8) | 100; // make it as blue for each region area88. }89. }90. }91.92. // make it as white color for each center position93. for(int i=0; i<max; i++)94. {95. int crow = (int)labelCenterPos[i][0];96. int ccol = (int)labelCenterPos[i][1];97. index = crow * width + ccol;98. outPixels[index] = (255 << 24) | (255 << 16) | (255 << 8) | 255;99. }100.101. setRGB( dest, 0, 0, width, height, outPixels );102. return dest;103. }104.105. }package com.gloomyfish.image.moments;import java.awt.image.BufferedImage;import com.gloomyfish.filter.study.AbstractBufferedImageOp;import com.gloomyfish.rice.analysis.FastConnectedComponentLabelAlg;// Geometric Moments Computing// low-order moments - calculate the center point// second-order moments - get angle size// projection -public class GeometricMomentsFilter extends AbstractBufferedImageOp {@Overridepublic BufferedImage filter(BufferedImage src, BufferedImage dest) {int width = src.getWidth();int height = src.getHeight();if ( dest == null )dest = createCompatibleDestImage( src, null );// first step - make it as binary image output pixelint[] inPixels = new int[width*height];int[] outPixels = new int[width*height];getRGB( src, 0, 0, width, height, inPixels );int index = 0;for(int row=0; row<height; row++) {int tr = 0;for(int col=0; col<width; col++) {index = row * width + col;tr = (inPixels[index] >> 16) & 0xff;if(tr > 127){outPixels[index] = 1;}else{outPixels[index] = 0;}}}// second step, connected component labeling algorithmFastConnectedComponentLabelAlg ccLabelAlg = new FastConnectedComponentLabelAlg();ccLabelAlg.setBgColor(0);int[] labels = ccLabelAlg.doLabel(outPixels, width, height);int max = 0;for(int i=0; i<labels.length; i++){if(max < labels[i]){System.out.println("Label Index = " + labels[i]);max = labels[i];}}// third step, calculate center point of each region area(connected component)int[] input = new int[labels.length];GeometricMomentsAlg momentsAlg = new GeometricMomentsAlg();momentsAlg.setBACKGROUND(0);double[][] labelCenterPos = new double[max][2];for(int i=1; i<=max; i++){for(int p=0; p<input.length; p++){if(labels[p] == i){input[p] = labels[p];}else{input[p] = 0;}}labelCenterPos[i-1] = momentsAlg.getGeometricCenterCoordinate(input, width, height);}// render the each connected component center positionfor(int row=0; row<height; row++) {for(int col=0; col<width; col++) {index = row * width + col;if(labels[index] == 0){outPixels[index] = (255 << 24) | (0 << 16) | (0 << 8) | 0; // make it as black for background}else{outPixels[index] = (255 << 24) | (0 << 16) | (0 << 8) | 100; // make it as blue for each region area }}}// make it as white color for each center positionfor(int i=0; i<max; i++){int crow = (int)labelCenterPos[i][0];int ccol = (int)labelCenterPos[i][1];index = crow * width + ccol;outPixels[index] = (255 << 24) | (255 << 16) | (255 << 8) | 255;}setRGB( dest, 0, 0, width, height, outPixels );return dest;}}Moment算法代码：[java]1. package com.gloomyfish.image.moments;2.3. public class GeometricMomentsAlg {4. private int BACKGROUND = 0; // background color5. private int labelIndex = 1;6.7. public GeometricMomentsAlg()9. System.out.println("Geometric Moments Algorithm Initialziation...");10. }11.12. public int getLabelIndex() {13. return labelIndex;14. }15.16. public void setLabelIndex(int labelIndex) {17. belIndex = labelIndex;18. }19.20. public int getBACKGROUND() {21. return BACKGROUND;22. }23.24. public void setBACKGROUND(int bACKGROUND) {25. BACKGROUND = bACKGROUND;26. }27.28. public double[] getGeometricCenterCoordinate(int[] pixels, int width, int height)29. {30. double m00 = moments(pixels, width, height, 0, 0);31. double xCr = moments(pixels, width, height, 1, 0) / m00; // row32. double yCr = moments(pixels, width, height, 0, 1) / m00; // column33. return new double[]{xCr, yCr};34. }35.36. public double moments(int[] pixels, int width, int height, int p, int q)37. {38. double mpq = 0.0;39. int index = 0;40. for(int row=0; row<height; row++)41. {42. for(int col=0; col<width; col++)43. {44. index = row * width + col;45. if(pixels[index] == BACKGROUND) continue;46. mpq += Math.pow(row, p) * Math.pow(col, q);47. }48. }49. return mpq;50. }51.52. public double centralMoments(int[] pixel, int width, int height, int p, int q)53. {54. double m00 = moments(pixel, width, height, 0, 0);55. double xCr = moments(pixel, width, height, 1, 0) / m00;56. double yCr = moments(pixel, width, height, 0, 1) / m00;57. double cMpq = 0.0;58. int index = 0;59. for(int row=0; row<height; row++)60. {61. for(int col=0; col<width; col++)62. {63. index = row * width + col;64. if(pixel[index] == BACKGROUND) continue;65. cMpq += Math.pow(row - xCr, p) * Math.pow(col - yCr, q);66. }67. }68. return cMpq;69. }70.71. public double normalCentralMoments(int[] pixel, int width, int height, int p, int q)72. {73. double m00 = moments(pixel, width, height, 0, 0);74. double normal = Math.pow(m00, ((double)(p+q+2))/2.0d);75. return centralMoments(pixel, width, height, p, q)/normal;77. }。
多运动目标跟踪及连通域标记方法
通部 分 的标记 方 法 。该 系统 整个 过程 的结 构 框 图 如图ｌ 所示 。
ｆ ， ÷【一） 一 ， 】 ￡ ， １ ，＋ ． ＝ ｎ
的标记 （ 据 已有信 息 ，这 是该 连 通 区域 直 到 目 根 前第 一 次被 扫描 到 的） ；
着 色算 法 、收缩 法 、顺 序 标记 算法 等 。因为 顺 序 标 记算 法 只需要 对 图像 进 行顺 序扫 描 而不 需 要 递 归 调 用 （ 需 大 的栈 空 间 支 持 ） 无 ，且 对 于 凹 或 凸 的区域 都适合 ．所 以 ，本设 计 采用 该方法 。 考 虑到 多运 动 目标 检测 以后 得 到 的是 二 值 图 像 ．背 景 区象 素 的灰 度 值 均 为０ ，各 目标 区 象 素 的灰 度 值均 为 １ 。这 里 假 设 对 一 幅 二 值 图像 从 左 到 右 、从 上 到 下 进 行 扫 描 （ 点 在 图像 的 左 上 起 方１ ，那 么要 标 记 当前 正 被 扫 描 的象 素 ，就 需 要 检测 它 与在 它之 前 扫描 到 的若 干个 近邻 象 素 的 连
４ 电 予充 嚣 件 主 用 ４
２ ０ ． ０ ７５
． ｄ．ｎ ｅ ａ ｃ ｃ
维普资讯
第９ 卷
２ ７第５ ０年月 ０ ５期
避
Байду номын сангаас
考
Ｖ１ Ｎ． ０ ｏ ． ５ ９
Ｍａ ．２ ０ ｙ ０７
含多 个 区域 （ 即多个 运动 目标 ） ，由于多 目标 区域
１ 多运 动 目标 标 记
多 目标 跟踪 系统研 究 中一 个 重要 的问题是 目
二值图像特征提取算法研究
本科生毕业设计二值图像特征提取算法研究Binary Image Feature Extraction Algorithm of Study学院名称：物理与通信电子学院专业名称：通信工程姓名：学号：指导教师：完成日期：摘要本文先简单描述了数字图像及数字图像处理与我们日常生活的联系，接着介绍了二值图像的几何特征和图像特征提取的几种方法，重点以二值图像为例，讲述图像特征提取算法的研究。
首先，文章简单介绍了二值图像的几何特征，详细讲述了二值图像操作中二值形态基本运算的膨胀、腐蚀、开启和闭合运算,并以实例实现了膨胀、腐蚀、开启、闭合等二值操作。
其次，本文研究了膨胀与腐蚀的对偶性。
归纳总结了膨胀和腐蚀算法的原理。
最后，通过示例:“对钢纹的区域标识”，进一步研究二值图像特征提取算法。
关键词：特征提取,二值图像，膨胀，腐蚀。
AbstractThis article described the digital image and digital image processing which connect with our daily life, then introduced binary image geometry characteristic and several methods of image feature extraction and the narrations image feature extraction algorithm research, by the example of the binary images. Firstly, the article introduces the binary image's geometry characteristic then narrato r’s the binary image operations that the binary shape fundamental operation such as the inflation, the corrosion, opening and the closed operation. Secondly, the paper studies the inflation and the corrosion's duality. Finally, summarizing the inflation and the corrosion algorithm principle and going a demonstration:” to corrugate steel region marking”, I study the binary image feature extraction algorithm.Key words: The feature extraction, binary image, the inflation, corrodes.目录摘要 (I)ABSTRACT ........................................................................................................................................... I I 1.引言. (1)1.1背景：数字图像及数字图像处理 (1)2.二值图像的几何特征 (3)3.图像特征提取操作 (3)3.1图像面积 (3)3.2欧拉数 (4)4.二值图像操作 (4)4.1二值形态学基本运算 (5)4.1.1.膨胀 (6)1.膨胀运算的概念 (6)2.结构元素形状对膨胀运算结果的影响 (9)3.膨胀运算的应用 (9)4.1.2腐蚀 (9)1.腐蚀运算的概念 (9)2.结构元素形状对腐蚀运算结果的影响 (11)3.腐蚀运算在物体识别中的应用 (11)4.1.3膨胀与腐蚀的对偶性 (11)1.概述 (11)2.膨胀与腐蚀实现方法（实例） (13)4.1.4开启和闭合运算 (15)1.开启和闭合运算的概念 (15)2.噪声滤除 (17)5.对钢纹的区域标识 (17)6.结束语 (21)参考文献 (22)1.引言随着多媒体和Internet技术的快速发展，图像成为多媒体处理的重要内容。
基于链表的图像连通区域提取算法
该像 素所 在 的 目标段 进 行 标 记 （ 图 １ 示 的 目标 如 所
段① ） 并将该段对应的段结 点加入到区域链表结 ，
本文算法 的具体流程如下。 １ 从 左 到 右 、 上 往 下 扫 描 图像 ， 先 找 到第 ） 从 首 个 未被 标记 的像 素 点 。
一
３５ ～
ｍ ｎ 数据结构中加入 Ｓａ 数据域 ， ｅｔ ｃｎ 用于标识该段邻 域 的扫描方式 ， Ｓａ 当 ｃｎ＝＝ ｘ １ ００ 时表示该段的上邻 域不 用扫 描 ， Ｓａ ＝ ｘ２时 表示该 段 的下 邻 域 当 ｃｎ＝ Ｏ０ 不用 扫 描 ， Ｓａ ＝Ｏ ０ 当 ｃｎ＝ ｘ３时 表示 其 上 、 邻 域 均 下 不用 扫 描 。在 扫 描 过 程 中通 过 判 断 该 标 识 来 决 定 该扫描哪些邻域 ， 这样就可 以减 少扫描 的次数 ， 提 高算法 效率 ， 特别 是 对 于类 似矩 形 的有 规 则 连通 区 域 ， 率 的提高 更 明显 ， 验结 果见 表 １ 效 实 。
表 １ 对 不 同 图像 的 连 通 区 域 进 行 提 取 的 结 果 图 ３ 链 表存 储 的 组 织 结构
２ 扫描 并标 记该 像素 所 在 的段 （ 图 １所 示 的 ） 如 目标 段 ① ） 新 生 成 Ｎ ｗ ｅｉ Ｃｎ ｅｔｅｉｎ类 ， ｅ Ｒ ｇ ｎ（ ｏｎｃＲ ｇ ｏ ｏ
１２ ２ 算法 的流程 描述 ．．
算 法对二 值 图像 从 左 到 右 、 上往 下 的方 式 进 从 行 扫描 ， 扫 描 到 一 个 没 有 被 标 记 过 的 目标 像 素 当 时， 即为 一个 新 的 连 通 区域 的 开 始 ， 该 区 域 建 立 为
一
个 新 的 区 域 结 点 ， 入 到 区域 链 表 中。接 着 ， 加 对
二值图像的细化算法
首先 ， 对二 值 图像 进 行 设 定 。这 里 假 定 二值 图像 以 白 色 为 底 ， 化黑 色 部 分 ， 给 出 的 黑 色 部 分 的 图像 为 连 通 细 且
以下 是 对 链 表 的遍 历 （ 中 的 边 界 点 、 通 点 的 判 断 ， 其 连 都 留 到下 面 的算 法 中具 体 的介 绍 ） 在 一 轮 轮 的遍 历 中 ， ， 逐
我设 定 了一 些 不 同 的颜 色 值 ， 作 不 同 情 况 的 判 断 。 而 一 以 轮需 作 两 次 的遍 历 。第 一 次 遍 历 判 断 是 否 为 边 界点 ， 考 需
摘 要 ： 二值 图像是只有黑 白两种颜 色的 图像 ， 二值 图像 的细化是 讨论将一 个图像 中的 黑色部分沿着 它的 中心轴 线
将 其 细化 为一 个像 素 宽 的线 条 的处 理 过 程 ， 细化 的 结 果 能基 本 保 留 图形 中 黑 色部 分 的拓 扑 结 构 。介 绍 了一 个 二 值 图 像 的 细化 算 法 ， 想 是从 原 图像 的 边 界 逐 层 消 除 黑 色像 素 点 ， 同 时 保 持 黑 色 部 分 的 连 通 性 ， 到 最 后 得 到 细 化 结 思 但 直
０ 引 言
在 计 算 机 领 域 ， 像 处 理 的 问题 越来 越 成 为 重 要 的一 图
图像 区域 会 失 去 连 通性 ， 体 判 断要 考 虑 该 点 的 ８个 方 向 具 的像 素 的颜 色 值 。因 为 在 后 面 的 判 断 中有 两 个 黑 点 去 掉 后 ， 色 图 像 区 域 是 否 会 失 去 连 通 性 的 ， 们 在 此 定 义 使 黑 我
第 １Ｒ 第７ ｏ 期 ２ １年 ７ ０１ 月
一种基于链表的二值图像像素标记改进算法
T NOLO GY TR N D1引言提取目标的各种特征量常应用于图像处理,其算法包括像素标记算法、游程连通性算法等。
像素标记算法与游程连通算法不同的是,它不需要事先对图像进行处理,就可以对二值图像进行标记,过程极为简便,但传统的像素标记算法通常需要对二值图像执行二次扫描。
目前,已有很多文献对上述算法进行了改进:文献[1]引入了在区间树上查找的方法,对邻接表和映射表的处理过程做了简化。
文献[2]在像素标记算法的基础上进行了标记矫正,将消除重复标记的操作融入到第一次扫描过程中,使获得的计算结果其等价标记非常少。
文献[3]提出了一种顺序扫描二值图像标记的算法,增加回溯扫描算法对选择的两种典型情况的标记进行处理,并对其他情况的标记冲突进行了分析说明,提高了标记的准确性。
但这些算法最终的连通归属关系要经过不断跟踪扫描,其收敛性有较大震荡。
本文提出了一种改进的算法,它基于区域增长法和线标记法,采用链表进行处理,不会出现标号冲突的情况,并且只需对指针进行操作,非常快捷、简单,为进一步计算目标的其他特征量提供了充分的条件。
2改进的标记算法2.1算法的相关定义1)采用8邻域连通,设A B ,CD 分别为第k 行和k+1行的两条线段,其中A (k ,y0),B (k ,y1),C (k+1,y2),D (k+1,y3)。
两条线段连通的准则是:y2≤y1+1并且y3≥y0-1;2)本文中定义三个链表指针:al_scan_line ,wait_line ,ma rk_li ne ,其中第一个链表用于记录扫描后未进行任何处理的直线段情况。
第二个链表用于记录用于“区域种子”的直线段情况。
第三个链表是已经标记的直线段链表(如果图像有L 个连通区域,则将产生L 个这样的链表);3)规定直线段链表al_sca n_line 中,各个节点的存取是按照行值从小到大的存取操作,即行值小的插入到行值大的前面。
若行值相同,则按照线段的起始点纵坐标进行存取操作;4)为了标记某行是否已经扫描和记录已扫描行的未处理直线段数目,文中申请了一个数组k [M](图像的大小为M*N )。