數位影像處理_黃正民_單元五 型態學影像處理_Part 8 型態學影像處理的變化(上)

各位同學大家好,歡迎繼續來到型態學影像處理 接下來在這個 part 之中 我們將繼續來看到四種基本的型態學影像處理 膨脹、侵蝕、斷開、閉合 其他更多樣化的組合以及延伸應用 好,首先呢,我們之前已經提過的型態學影像處理呢 它在做設計及做變化應用之中呢 結構元素是其中很大的一個可以去變化以及設計的要件之一 結構元素它的大小以及形狀 或是其結構元素的原點位置 是可以依照我們的需求來做一些設計或是變化應用的 另外一方面就是型態學影像處理的先後步驟 在前面的幾個 part 中呢 我們已經瞭解了四種基本的型態學影像處理 也就是膨脹與侵蝕 以及用膨脹與侵蝕去組合而成的斷開與閉合處理 這四種基本的型態學影像處理呢 它的先後順序 或是我們使用的這個型態學影像處理的次數 都是可以依照我們的需求來做一些設計變化的 另外一方面呢 我們的這幾個基本的型態學影像處理 也可以與其他的影像處理的方法去做結合 比如說像是影像處理上面的數值運算 矩陣運算 或是集合運算 邏輯運算 這些運算呢 也都可以跟影像處理的型態學影像處理來做結合應用 使我們的型態學影像處理有更多的變化 以及其他的延伸功能 在這一頁投影片呢 首先我們來看到像右圖的這個 晶片附膜檢測的一個應用例子 好,那在這個應用例子裡面呢 我們可以看到 左上角的這個原始的二值化影像處理的圖A中 我們可以看到在圖A的四周圍 有一些比較粗的這些白色的這個區塊 他們是在這個晶片附膜的時候呢 的一些焊接的角位 那在中間的這個A區塊呢 也就是我們要去檢測的這個晶片 好,那在A區塊和外面的這個角位之間呢 就是有一些打線的這些部分 那我們可以去對這些 晶片、角位以及打線的這幾個部分呢 我們去做型態學影像處理之後 來對他們去影像的這個檢測 或者是我們把它叫做自動化光學檢測 好,來檢測說我們在晶片的這個焊接 或是角位的這個焊接或是在打線上面呢 是不是有一些缺點 或是有一些沒有處理到 或是沒有這個焊接、打線到的地方 好,那接著我們來看一下 如何去做這樣子的一個檢測 首先呢,我們可以以不同大小的結構元素 去對原本的這個A圖去做侵蝕 比如說我們以11x11的 這個方形的結構元素去對A圖侵蝕之後 我們可以得到右上角的這個B圖 好,我們可以看到很明顯的 在這些焊接中間的這些細線的部分呢 全部都被侵蝕掉了 好,那接著呢我們 如果把A圖呢 以15x15的方形的結構元素 去對A圖做侵蝕之後呢 我們就可以得到左下角的這個C圖 好,那如果呢我們以更大一點的結構元素 45x45的方形的結構元素區塊 去對A圖做侵蝕的話呢 我們就可以得到右下角的這個D圖 那從這幾個圖之中呢 我們可以很明顯的看到 在C圖裡面 好,中間的這些接線 好,細的接線的部分完全都被侵蝕掉了 在D圖的結果裡面呢 好,這些焊接的角位還有接線呢 也全部都被侵蝕掉了 那但是因為呢,做了這個侵蝕之後呢 好,幾個這個區塊 不管是接線、角位 好,或是晶片呢 都變得比較受圍一圈 好,所以呢我們可以把 B圖、C圖、D圖 再去以同樣的11x11 15x15 或是45x45的這個結構元素區塊 去對其做膨脹處理之後 好,將他們的這個面積大小 回復原本與A圖相似的大小 好,那我們再以 A圖去對各個圖侵蝕 膨脹之後的處理 去做相減 我們就可以檢測出 比D圖來講 是否有晶片存在 或是以C圖來講 是否有一些這個焊接角位 焊接線有一些缺失 好,或是在焊接角位上面呢 有一些缺陷的部分 好,我們都可以對這幾個部分呢 用這樣子的一個形態學影像處理 來做檢測 接著我們來看到 下面一個應用實例呢 是指紋影像的辨識 好,那我們曉得呢 指紋影像的辨識呢 常常用在一些生物特徵上面 尤其是人,我們每一個人呢 都具有不同的這個指紋的 這個輪廓,他的特徵 好,那我們首先看到 在一個這個指紋影像呢 經過了輸入掃描之後呢 好,我們再做二值化處理 就可以得到在這個右圖之中 左上角的這張輸入影像A圖 好,那在A圖裡面 我們可以首先看到 很明顯的背景區塊中 有許多的一些白點 好,這些雜訊 那我們首先呢 就應用了一個輕視處理 結構元素呢 是一個3x3的方形的區塊 好,那我們做了 這個輕視處理之後 背景這些白點呢 就被去除掉了 好,但是背景白點 去除掉的這個同時呢 可能在指紋輪廓的 這些紋路上面 也都變得比較細小 好,或是有一些 斷開的這些影響 好,所以緊接著 我們再去以同樣的 結構元素B 去做一次膨脹處理 好,我們可以看到 這樣子的處理之後 在綠色的這些圈選的區塊呢 好,在侵蝕之後 指紋紋路產生了 些許的這個黑色的 好,這些小洞 好,那我們呢 在膨脹之後呢 就可以去將其做一個填補 另外一方面緊接著 我們再將這個結果 進一步的去做一次膨脹處理 我們可以看到 在這個指紋輪廓的部分呢 變得更為連續 更為貼近於原本的 我們想要的輪廓的 這個連續 好,連接的狀況 一些輪廓上面呢 斷掉 斷開的部分呢 也都進一步的 再被填補過了 最後我們可能會發現到 這個輪廓膨脹的結果 與原本A圖的這個 原始的輸入影像呢 輪廓過於的這個粗大 好,所以我們再以一次 這個B結構元素 去對膨脹的結果 去做侵蝕 最後得到右下圖的 這個結果 我們就可以去 得到比較清晰 沒有雜訊 那一些這個斷開啊 或是這個白點啊 這些幹擾呢 也都比較少的 一個比較理想 單純的指紋輪廓 就可以來做進一步的 指紋的這個影像辨識 好,那在這樣子的 一連串的處理手法之中 雖然我們同樣是以一個 B的這個結構元素 去做了多次的侵蝕 膨脹 膨脹侵蝕 好,那其實我們把這些 基本的型態選項處理 去做組合 好,就可以得到我們 這樣子的一個 處理結果的應用 好,那其實像這樣子的 結果處理應用 以我們在上一個 part 中 所學到的 我們就曉得 首先我們一開始 運用到的侵蝕膨脹 其實就是一次的斷開處理 好,那後面呢 再一次的膨脹與侵蝕呢 其實就是一個的 閉合處理 好,也就是說 我們將 A 影像去做斷開 以及再做閉合處理之後 就得到右下圖的 這個結果 好,那接下來 我們再看其他的 這個型態選項處理的 延伸應用 在這個處理呢 我們把它稱作是 HM 轉換 好,那英文的全名呢 叫做 Hit or Miss Transform 好,那這個型態選項處理 HM 轉換呢 它最大的特色呢 是可以去偵測一些 我們特別的定義的 這個形狀 好,也可以用來做 形狀輪廓的 這個形狀輪廓的 這個偵測 那符號上面呢 我們定義如 下面的這個方程式所示 我們會有一張輸入影像 A 好,然後呢 結構元素呢 我們可能會有 兩個或是多個 好,這個結構元素 B 好,那 B 結構元素呢 我們在這個例子中 我們定義成 B1 好,還有 B2 兩個結構元素 那 B1 呢 就是在下圖的 這個方形的 X 的這個區塊大小 那 B2 呢 就是以一個 比 X 大一點的 方形區塊 W 去減掉 X 之後 定義出來的 這個結構元素 好,那 HM 轉換的符號呢 我們可能會寫一個 心形的這個乘號 好,然後在外面再畫一個圓圈 來代表這樣的一個 HM 轉換的符號 那我們來看一下 HM 轉換的 這樣的一個處理步驟手法 首先呢 第一步我們將 A 影像 去以 X 也就是 B1 去做侵蝕之後 得到黃色框的 這個圖的結果 接著呢 我們去把 A 影像 去取補集 也就是這個 黑色變白色 白色變黑色 背景變前景 前景變背景 這樣一個處理 好,那我們再以 A 補集的 這個 AC 影像呢 去以 B2 來做侵蝕處理 好,我們就可以得到 藍色框的這個結果 那藍色框與黃色框 這兩個結果呢 我們再將其去做一個 數學邏輯上面的交集 我們就可以得到 右下角的這個結果 那右下角的這個 HM 轉換的結果呢 我們就得到了一個 其實就是圖中的這個 原色小黑點的地方 好,那它其實代表就是說 我們去偵測到了 如 B1 與 B2 的 這樣的一個輪廓 所定義的這個 結構元素所定義的 這樣一個輪廓呢 在 A 影像裡面 符合的其實就是 我們可以看到 圖中 X 的這個區塊 它的中心位置 就是最後 HM 轉換的 偵測結果 另外一個例子呢 我們來看到 假設我們同樣定義了 這個結構元素組合 B1 與 B2 如上圖的這兩個 小的結構元素圖所示 那我們就可以去偵測出 左邊的這個二子花影像呢 其中一些白色區塊的右上緣 也就是右上角的 白色區塊的一些 右上邊緣的部分 另外一方面呢 我們如果定義了結構元素呢 如右圖的這個 B1 以及 B2 像兩個小的直角 左上直角這個區塊 我們就可以得到 原本的二子花影像之中呢 左上緣的這些區塊 這個區塊中的一些 輪廓的左上緣的部分 如右圖所示 好,那另外一方面呢 這個輪廓萃取呢 其實也可以透過 我們的形態選項處理的組合 來得到 那我們定義輪廓處理呢 其實就是去把 A 影像 減掉 A 影像 以及其被 B 侵蝕之後的結果 那我們可以看到 如下面的這個圖裡 A 圖被侵蝕 B B 結構元素去侵蝕之後呢 就整個瘦了一圈 那我們以 A 圖 去把這個侵蝕的結果相減 其實就可以減掉外圍的輪廓 在應用上面呢 如果我們在這一個章節裡面 最一開始所講到一個輪廓萃取呢 這個人的剪影 外圍的輪廓呢 其實就透過了這樣的一個 侵蝕處理 以及這個數學 數實運算上面的相減 就可以辦到輪廓萃取的結果 好,那在這裡我們對這個小節 做一些總結 我們在這個小節裡面呢 我們學到了型態學影像處理 它的一些變化 以及在晶片附膜檢測 或者像是一些指紋影像辨識呢 這些型態學影像處理的組合 可以作為他們的前處理 另外呢 我們也曉得這型態學影像處理之中的 這個 hit or miss HM 轉換 可以來萃取我們特別一些 輪廓形狀的特徵 好,或者是輪廓的萃取 那在這一個小節裡面呢 我們學到了一些基本的 型態學影像處理他們的延伸應用 在下一個小節裡面 在下一個 part 裡面 我們將看到更多型態學影像處理的 一些擴充應用 謝謝大家