形态学开运算的作用,梦到男朋友不要我了和别人在一起

形态学图像处理

1、dilate函数
该函数能够实现二值图像的膨胀操作，有以下形式：
BW2=dilate(BW1，SE)
BW2=dilate(BW1，SE，…，n)
其中：BW2=dilate(BW1，SE)表示使用二值结构要素矩阵SE队图像数据矩阵BW1执行膨胀操作。输入图像BW1的类型为double或unit8，输出图像BW2的类型为unit8。BW2=dilate(BW1，SE，…，n)表示执行膨胀操作n次。
2、erode 函数
该函数能够实现二值图像的腐蚀操作，有以下形式：
BW2= erode(BW1，SE)
BW2= erode(BW1，SE，…，n)
其中：BW2= erode(BW1，SE)表示使用二值结构要素矩阵SE队图像数据矩阵BW1执行腐蚀操作。输入图像BW1的类型为double或unit8，输出图像BW2的类型为unit8。BW2= erode(BW1，SE，…，n)表示执行腐蚀操作n次。
3、bwmorph函数
该函数的功能是能实现二值图像形态学运算。它的格式如下：
① BW2=bwmorph(BW1，operation)
② BW2=bwmorph(BW1，operation，n)
其中：对于格式①，bwmorph函数可对二值图像BW1采用指定的形态学运算；对于格式②，bwmorph函数可对二值图像BW1采用指定的形态学运算n次。operation为下列字符串之一：
‘clean’：除去孤立的像素(被0包围的1)
‘close’：计算二值闭合
‘dilate’：用结构元素计算图像膨胀
‘erode’：用结构元素计算图像侵蚀
4、imclose函数
该函数功能是对灰度图像执行形态学闭运算，即使用同样的结构元素先对图像进行膨胀操作后进行腐蚀操作。调用格式为：
IM2=imclose(IM,SE)
IM2=imclose(IM,NHOOD)
5、imopen函数
该函数功能是对灰度图像执行形态学开运算，即使用同样的结构元素先对图像进行腐蚀操作后进行膨胀操作。调用格式为：
IM2=imopen(IM,SE)
IM2=imopen(IM,NHOOD)
3用MATLAB编程实现图像去噪
3.1 二值形态学消除图像噪声
用二值形态学方法对图像中的噪声进行滤除的基本思想[4]是：使用具有一定形态的结构元素去度量和提取图像中的对应形状，以达到消除图像噪声的目的。下面是二值形态学消除图像噪声的一个实例。
首先将tire.tif图像加入椒盐噪声，这种噪声前面已经介绍过，它在亮的图像区域内是暗点，而在暗的图像区域内是亮点，再对有噪声图像进行二值化操作，再对有噪声图像进行开启操作，由于这里的结构元素矩阵比噪声的尺寸要大，因而开启的结果是将背景上的噪声点去除了，最后对前一步得到的图像进行闭合操作，将轮胎上的噪声点去掉了。
下面是算法实现的程序代码：
I1=imread('tire.tif'); %读灰度图tire.tif
I2=imnoise(I1,'salt & pepper'); %在图像上加入椒盐噪声
figure,imshow(I2) %显示加椒盐噪声后的灰度图像
I3=im2bw(I1); %把加椒盐噪声后的灰度图像二值化
figure,imshow(I3) %显示二值化后的图像
I4=bwmorph(I3,'open'); %对二值噪声图像进行二值形态学开运算
figure,imshow(I4) %显示开运算后的图像
I5=bwmorph(I4,'close'); %对上述图像进行形态学闭运算
figure,imshow(I5) %显示最终处理后的图像

请问形态学重建之[重建开运算]具体原理

标准开曹组即先进行腐蚀，然后对腐蚀结果利用同一个结构元进行膨胀；重建开操作即先进行腐蚀（这一步骤与标准开操作相同），然后利用该腐蚀结果作为标记，原图像作为模板，进行重建，整个过程叫做重建开操作。

数学形态学方法的基本思想是什么,其适用于图像处理的哪些方面

以膨胀，腐蚀为基础，结合可成为开闭运算。例如白色为目标，黑色为背景，膨胀是使白色变大（即目标），变大之后原本靠近但不相连的区域变为一个区域，腐蚀则相反，使区域变小，可以去除细线等。形态学主要是为了获得更完美的目标区域，可以去除干扰，平滑边界，邻域连通，填补空洞。。。

图像处理的形态学

形态学一词通常指生物学的一个分支，它用于处理动物和植物的形状和结构。在数学形态学的语境中也使用该词来作为提取图像分量的一种工具，这些分量在表示和描述区域形状（如边界，骨骼和凸壳）时是很有用的。此外，我们还很关注用于预处理和后处理的形态学技术，如形态学滤波、细化和裁剪。
数学形态学的基本运算
数学形态学的基本运算有4个：腐蚀、膨胀、开启和闭合。数学形态学方法利用一个称作结构元素的”探针”收集图像的信息，当探针在图像中不断移动时，便可考察图像各个部分之间的相互关系，从而了解图像的结构特征。在连续空间中，灰度图像的腐蚀、膨胀、开启和闭合运算分别表述如下。
腐蚀
腐蚀“收缩”或“细化”二值图像中的对象。收缩的方式和程度由一个结构元素控制。数学上，A被B腐蚀，记为AΘB，定义为：
换言之，A被B腐蚀是所有结构元素的原点位置的集合，其中平移的B与A的背景并不叠加。
膨胀
膨胀是在二值图像中“加长”或“变粗”的操作。这种特殊的方式和变粗的程度由一个称为结构元素的集合控制。结构元素通常用0和1的矩阵表示。数学上，膨胀定义为集合运算。A被B膨胀，记为A⊕B，定义为：其中，Φ为空集，B为结构元素。总之，A被B膨胀是所有结构元素原点位置组成的集合，其中映射并平移后的B至少与A的某些部分重叠。这种在膨胀过程中对结构元素的平移类似于空间卷积。
膨胀满足交换律，即A⊕B=B⊕A。在图像处理中，我们习惯令A⊕B的第一个操作数为图像，而第二个操作数为结构元素，结构元素往往比图像小得多。
膨胀满足结合律，即A⊕(B⊕C)=(A⊕B)⊕C。假设一个结构元素B可以表示为两个结构元素B1和B2的膨胀，即B=B1⊕B2，则A⊕B=A⊕(B1⊕B2)=(A⊕B1)⊕B2，换言之，用B膨胀A等同于用B1先膨胀A，再用B2膨胀前面的结果。我们称B能够分解成B1和B2两个结构元素。结合律很重要，因为计算膨胀所需要的时间正比于结构元素中的非零像素的个数。通过结合律，分解结构元素，然后再分别用子结构元素进行膨胀操作往往会实现很客观的速度的增长。 A被B的形态学开运算可以记做A?B，这种运算是A被B腐蚀后再用B来膨胀腐蚀结果，即：
开运算的数学公式为：
其中，∪{·}指大括号中所有集合的并集。该公式的简单几何解释为：A?B是B在A内完全匹配的平移的并集。形态学开运算完全删除了不能包含结构元素的对象区域，平滑了对象的轮廓，断开了狭窄的连接，去掉了细小的突出部分。 A被B形态学闭运算记做A·B，它是先膨胀后腐蚀的结果：
从几何学上讲，A·B是所有不与A重叠的B的平移的并集。想开运算一样，形态学闭运算会平滑对象的轮廓。然后，与开运算不同的是，闭运算一般会将狭窄的缺口连接起来形成细长的弯口，并填充比结构元素小的洞。
基于这些基本运算可以推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征提取、边界检测、图像降噪、图像增强和恢复等。

如何用c#实现图像形态学开闭运算

结果是3
解答过程：
首先算a^b
^表示异或 十进制a=1， 等于二进制0001 ；十进制b=2，等于二进制0010
异或为对应位不同时取真，故0001^0010结果为0011，即为十进制的3
再算 (a^b) & c
&表示按位与，a^b的结果为3，即二进制的0011
c=3，即二进制的0011
0011&0011=0011
何谓按位与看 这个例子来说，按位与就是从左起，第一位与第一位求与运算，第二位与第二位求与运算，以此类推，1&1=1 ，1&0=0, 0&1=0， 0&0=0 这个总该知道吧
故结果为3。

中译英,请好心人帮忙!哪位愿意帮忙吗

你好呀~~~：
第六章 图像分割（4学时）
6.1 基于图像灰度分布的阈值方法
6.2 基于图像灰度空间分布的阈值方法
6.3 边缘检测法
教学要求：要求理解和掌握图像分割的概念及定义；掌握和应用基于图像灰度分布的阈值方法；掌握和应用基于图像灰度空间分布的阈值方法；理解和掌握基于边缘检测的图像分割方法等。
重点和难点：基于图像灰度的阈值分割方法
第七章 二值图像处理（4学时）
7.1 二值图像中的基本概念
7.2 腐蚀与膨胀
7.3 开运算与闭运算
7.4 贴标签及细线化方法
教学要求：要求理解和掌握二值图像的概念及定义；掌握和应用二值图像的腐蚀与膨胀；掌握和应用二值图像的开运算与闭运算；理解和掌握贴标签及细线化方法等。
重点和难点：二值图像的基本运算
第八章 图像变换（4学时）
8.1 图像的频域变换——傅立叶变换及其在图像处理中的应用
8.2 离散余弦变换及沃尔什变换
教学要求：要求理解和掌握图像变换的概念及定义；掌握和应用傅立叶变换；理解和掌握离散余弦变换及沃尔什变换等。
重点和难点：傅立叶变换及其在图像处理中的应用
*第九章 图像压缩编码
9.1 图像冗余的概念
9.2 图像的无损压缩编码
9.3 图像的变换压缩编码
9.4 图像的量化压缩编码和混合压缩编码
教学要求：要求理解和掌握图像压缩的概念及定义；掌握和应用图像的无损压缩编码；掌握和应用图像的变换压缩编码；理解和掌握图像的量化压缩编码和混合压缩编码等。
The sixth chapter image segmentation (4 hours)
6.1 based on threshold mods of image greyscale distribution
6.2 threshold mod based on spatial distribution of image grey scale
6.3 edge detection mod
Teaching requirements: the requirement to understand and master the concept and definition of image segmentation;Acquire and apply threshold mod based on image gray scale distribution;Acquire and apply threshold mod based on spatial distribution of image grey scale;Understand and master image segmentation mod based on edge detection and so on.
Emphases and difficulties: based on image gray-level threshold segmentation mod
Chapter seventh binary image processing (4 hours)
7.1 basic concepts in binary image
7.2 corrosion and expansion
7.3 opening and closing operations
7.4 labelling and thin lines mod
Teaching requirements: requirement to understand and grasp the concept of binary images and definitions;Acquire and apply corrosion of binary images and expansion;Acquire and apply binary image of the opening and closing operations;Understand and master the label and mod of thin lines.
Emphases and difficulties: basic operation of binary image
Eighth chapter image transformation (4 units)
8.1 image transform of frequency domain – Fourier transform and its application in image processing
8.2 the discrete cosine transform and Walsh transform
Teaching requirements: requirements understand and grasp the concept and definition of image transformation;Mastering and applying Fourier transform;Understand and grasp the discrete cosine transform and Walsh transform.
Emphases and difficulties: the Fourier transform and its application in image processing
* The Nin image compression coding
9.1 image redundancy concept
9.2 lossless image compression coding
9.3 image transform coding
9.4 quantization of image compression coding and hybrid coding
Teaching requirements: image compression requires understanding and mastery of concepts and definitions;Acquire and apply lossless compression coding of image;Acquire and apply the transform image coding;Understand and master the quantization of image compression coding and hybrid coding, and so on.
Emphases and difficulties: lossless compression coding of image transform and image compression coding mod and its application in image compression.