在matlab的影像處理工具箱中，有一系列關于Binary Images的處理函式，都是以字母bw開頭的，其中以bwmorph函式選項最為豐富，一共有'bothat'、'branchpoints'、'bridge'、'clean'、'close'等十幾個方法，其中像骨骼化、細化等常見的功能也集成在這個函式里，同常規的寫法一樣，這些演算法都是需要迭代的，因此，這個函式也有個迭代次數的引數，那么另外一些算子，比如clean、diag、remove等等其實都是基于3*3或者5*5領域的，而其中的'erode'、'open'也只是基于3*3的，因此和真正的常用的腐蝕和膨脹還有所不同，那個需要使用imopen或者imclose實作，實際上，這些基于3*3或者5*5的小算子，他們對于二值圖基本上就是用一次結果接沒有變換，幾迭代次數多了也沒有啥用，那幾個圖測驗下其中幾個算子的效果：
原圖 Remove模式
Fill模式 Clean模式
這些效果都比較平淡，其中Remove的效果和bwperim非常類似，就是提取二值圖的邊緣，Fill的作用就是填充影像中面積為1的黑色封閉區域，Clean是填充面積為1的白色封閉區域，他們不管你回圈迭代多少次，結果和回圈1次都是一樣的，因此，感覺作用有限，
另外，還有一個比較有意思的引數，即'majority’引數，matlab的幫助檔案對其解釋是：
Sets a pixel to 1 if five or more pixels in its 3-by-3 neighborhood are 1s; otherwise, it sets the pixel to 0.
即在3*3領域內，如果白色的像素多一點，即當前像素修改為白色，如果黑色的多一點，則修改為黑色，
這個引數呢，回圈迭代次數還有點作用了，下面是迭代一次和迭代十次后的效果比較：
迭代1次 迭代10次
可以看到，迭代十次后的結果影像的邊緣更為光滑，毛刺比較少，
對于這個選項，我覺得有點可擴展的空間，因為其他像Fill等選項，是個固定的Mask，而這個是有一定的自由度的，我們不一定非要限制他在3*3領域啊，任何領域應該都是可以的，只要取領域內統計像素多一點的作為結果，就可以了啊，甚至作為擴展，我們還不一定就正好取多一點的，我們取某個百分比的也是可以的嘛，這樣就可以有2個引數了，比如說取樣半徑和百分比，
不過，如果擴展到任意半徑，那么演算法的優化就很有必要了，不然原始的RAW實作，速度會慢的嚇人的，
這個優化其實也不是沒有弄過，但是二值圖有其特殊性，其資料只有2個情況，0和1或者說0和255，我們要統計其領域的Majority元素，沒有必要排序，也沒有必要統計0和1的獨立資料個數，想一想，我們是不是只要把領域的所有資料都加起來，然后也同樣的可以知道誰更多呢，比如說，半徑為5，那么領域一共有25個資料，如果加起來總和大于12，那不就意味著1多一些，如果小于等于12，那就意味著0多一些，
如何快速的實作領域的像素相加呢，這不就是Boxblur要干的事情嗎，Boxblur如何優化：積分圖、懶惰演算法等等一大堆資料可以利用的，
參考 ： SSE影像演算法優化系列十三：超高速BoxBlur演算法的實作和優化（Opencv的速度的五倍）
13行代碼實作最快速最高效的積分影像演算法，
仔細想一想，這個和我們以前研究過的中值模糊不就是同一個演算法嗎，那里也有半徑和百分比一說，但是因為其特殊性，這里的不用使用傳統的中值模糊來實作演算法，速度得到了極大的提升，
這個演算法呢，我覺得一個比較有用的場合就是，對于一些初步處理后的二值圖，一般都有一些邊緣毛刺或者不平滑的位置，對于后續的識別可能有著較多的干擾，如果使用高斯模糊或者其他的抗鋸齒演算法呢，都會改變影像為二值的圖的屬性，就變為了灰度圖，這是不可以的，但是使用這個演算法呢，就完全不會改變二值圖的本質，同時又能平滑邊緣，
當然，有一點需要注意，當半徑較大時，這個演算法會改變原有二值圖的一些面積屬性，比如白色整體變少等等，這個呢，恰好我們有一個百分比引數，可同通過同時控制半徑和百分比來協調結果這個問題，比如對于上面的原始影像，其相關統計資訊如下：
總像素個數為：293828
白色的像素個數為：34191
連續塊：60個
影像的歐拉數為：59
當我們取半徑為4，百分比為50時，其效果如下所示：
半徑4，百分比50 半徑4，百分比45
相關統計資訊如下：
總像素個數為：293828
白色的像素個數為：32671
找到符合條件的連續塊：58個
影像的歐拉數為：58
可見白色像素的數量有所下降，如果把百分比修改為45，則統計資訊如下：
總像素個數為：293828
白色的像素個數為：34653
找到符合條件的連續塊：59個
影像的歐拉數為：59
和原始影像的資訊基本差不多了，但是很明顯結果比原始影像更有利于后續的分析，
本文Demo下載地址： https://files.cnblogs.com/files/Imageshop/SSE_Optimization_Demo.rar，位于Binary->Processing->Majority，里面的所有演算法都是基于SSE實作的，
如果想時刻關注本人的最新文章，也可關注公眾號：
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/500414.html
標籤：其他