Matlab一种二值化图像的形态学操作程序

Matlab中将一幅图像阈值分割二值化非常简单，若需要通过阈值th2二值化保留一些大面积的、且有灰度值含有大于th1的点的前景区域，而不需要小面积的区域（th1大于th2），这时会遇到这样的问题：当阈值选为th2时会把一些小面积区域也保留下来；若把阈值增大到th1，小面积的区域没了，但是原来大面积的区域又会减小；若要直接去掉阈值th2二值化图像中面积小于某一值的的区域，需要计算每个区域的面积，计算量大，而且有的区域中并没有含有大于th1的点。

下面利用数学形态学的方法来解决上述问题。

这里主要是采用数学形态学中的腐蚀与膨胀操作，采用均值滤波、灰度图像高阈值二值化、种子点选择、灰度图像低阈值二值化和选择滤波相结合的方法，具体来说：腐蚀过程采用均值滤波和高阈值对第一细分图像二值化，滤掉面积较小的区域，得到较大的区域，然后选择每个区域的种子点；膨胀过程采用低阈值对第一细分图像二值化，保留含有种子点的区域，其它的均过滤掉。经过腐蚀和膨胀操作后，得到所希望的结果，见下图。

程序如下：

wmf10=imread('mwf1.bmp'); %读取图像

wmf1=wmf10(:,:,1);%由于是灰度图像，三个页面相同，故只对第一页面数据操作

figure(1);

subplot(121);imagesc(wmf1);colormap(gray); %显示原图象

h=fspecial('average',3);

wmf1_filted=uint8(round(filter2(h,wmf1))); %均值滤波

th1=0.94*max(max(wmf1)); %确定阈值th1

wmf1th1=(wmf1_filted>th1); %按阈值th1二值化

[wmf1th1_label numth1_label]=bwlabel(wmf1th1,8);

rc=zeros(2,numth1_label); %选择种子点坐标

for i=1:numth1_label

[r c]=find(wmf1th1_label==i);

rc(1,i)=r(2);rc(2,i)=c(2);

end

r=rc(1,:);

c=rc(2,:);

coe=1.4;

th2=mean2(wmf1)+coe*std2(wmf1); %确定阈值th2

wmf1th2=(wmf1>th2); %按阈值th2二值化

wmf1th2_select=bwselect(wmf1th2,c,r,8); %保留含有种子点的前景区域subplot(122);imagesc(wmf1th2_select);colormap(gray);

上述程序主要是采用了bwlabel和beselect函数，虽然没有直接使用Matlab的形态学操作的膨胀、腐蚀函数，但其实质过程和达到的效果是遵循形

态学操作原理的，因而这也为形态学操作提供了其他的编程实现过程。有心的读者可以试试看，能否用dilate和erosion函数完成同样的任务。

matlab数学形态学图像边缘检测

blood = imread('test.jpg');

[x,y,z]=size(blood); % 求出图象大小

b=double(blood);

N =sqrt(100) * randn(x,y,z); % 生成方差为10的白噪声

I=b+N; % 噪声干扰图象

for i=1:x % 实际图象的灰度为0～255 for j=1:y

if (I(i,j)>255)

I(i,j)=255;

end

if (I(i,j)<0)

I(i,j)=0;

end

end

end

z0=max(max(I)); % 求出图象中最大的灰度

z1=min(min(I)); % 最小的灰度

T=(z0+z1)/2;

TT=0;

S0=0; n0=0;

S1=0; n1=0;

allow=0.5; % 新旧阈值的允许接近程度

d=abs(T-TT);

count=0; % 记录几次循环

while(d>=allow) % 迭代最佳阈值分割算法

count=count+1;

for i=1:x

for j=1:y

if (I(i,j)>=T)

S0=S0+I(i,j);

n0=n0+1;

end

if (I(i,j)

S1=S1+I(i,j);

n1=n1+1;

end

end

end

T0=S0/n0;

T1=S1/n1;

TT=(T0+T1)/2;

d=abs(T-TT);

T=TT;

end

Seg=zeros(x,y);

for i=1:x

for j=1:y

if(I(i,j)>=T)

Seg(i,j)=1; % 阈值分割的图象

end

end

end

SI=1-Seg; % 阈值分割后的图象求反，便于用腐蚀算法求边缘

se1=strel('square',3); % 定义腐蚀算法的结构

SI1=imerode(SI,se1); % 腐蚀算法

BW=SI-SI1; % 边缘检测

%=====传统的边缘检测方法======%

I=uint8(I);

BW1=edge(SI,'sobel', 0.11);

BW2=edge(SI,'log', 0.015);

%===========图象显示==========%

figure(1);

imshow(I);title('Original') % 显示阈值分割的图象

figure(2);

imshow(BW2);title('Soble') % 显示新算法的边缘图象

figure(3)

imshow(BW1);title('Gauss-Laplace')

figure(4)

imshow(BW);title('New algorithm')