從matlab的bwmorph函數的’majority’參數中擴展的一種二值影像邊緣光滑的實時演算法。

• 2022 年 7 月 28 日
• 筆記
• [03] 影像演算法優化, majority, 二值影像光滑、去除毛刺

　　在matlab的影像處理工具箱中，有一系列關於Binary Images的處理函數，都是以字母bw開頭的，其中以bwmorph函數選項最為豐富，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數里，同常規的寫法一樣，這些演算法都是需要迭代的，因此，這個函數也有個迭代次數的參數。那麼另外一些運算元，比如clean、diag、remove等等其實都是基於3*3或者5*5領域的，而其中的’erode’、’open’也只是基於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實現。實際上，這些基於3*3或者5*5的小運算元，他們對於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。那幾個圖測試下其中幾個運算元的效果：

　　　　　　　　　　　　　　　　　　 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，他們不管你循環迭代多少次，結果和循環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參數，即’majority』參數，matlab的幫助文檔對其解釋是：

                 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。

　　這個參數呢，循環迭代次數還有點作用了，下面是迭代一次和迭代十次後的效果比較：

　　　　　　　　　　　　　　　　　　迭代1次　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　迭代10次

　　可以看到，迭代十次後的結果影像的邊緣更為光滑，毛刺比較少。

　　對於這個選項，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個參數了，比如說取樣半徑和百分比。

　　不過，如果擴展到任意半徑，那麼演算法的優化就很有必要了，不然原始的RAW實現，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，其數據只有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的獨立數據個數，想一想，我們是不是只要把領域的所有數據都加起來，然後也同樣的可以知道誰更多呢。比如說，半徑為5，那麼領域一共有25個數據，如果加起來總和大於12，那不就意味著1多一些，如果小於等於12，那就意味著0多一些。

       如何快速的實現領域的像素相加呢，這不就是Boxblur要乾的事情嗎，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演算法的實現和優化（Opencv的速度的五倍）

                   13行程式碼實現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，那裡也有半徑和百分比一說，但是因為其特殊性，這裡的不用使用傳統的中值模糊來實現演算法，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，對於一些初步處理後的二值圖，一般都有一些邊緣毛刺或者不平滑的位置，對於後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參數，可同通過同時控制半徑和百分比來協調結果這個問題，比如對於上面的原始影像，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於後續的分析。

       本文Demo下載地址：  //files.cnblogs.com/files/Imageshop/SSE_Optimization_Demo.rar，位於Binary->Processing->Majority。裡面的所有演算法都是基於SSE實現的。

       如果想時刻關注本人的最新文章，也可關注公眾號：