1 细化和二值化的数学模型的建立和处理过程的技术方
法
1.1 八邻域及像素代号
如图 1 所示，与图像中任一像素 P 相邻的 8 个像素称为 P 的八邻
域，用 P
i
(0≤i≤7)来表示，其中 P
n
称为 n 的近邻。此外，为了讨论的方
“
便，在二值图像中，用 0”
“
表示背景像素， 1”表示目标像素。
图 1 八邻域
多重像素：如图 2 所示，用 A 和 B 标记的像素群中，如果分别至
少有一个像素非零，且 P=1，则 P 为多重像素。多重像素决定目标的
连通性。图 2(a)所示多重像素近邻模式，包括其一次 90°旋转所形成的
模式；图 2(b)所示的多重像素近邻模式，包括其 3 次 90°旋转所形成
的模式；另外，图 2(b) “
中 1+”
“
代表 1” “
， 2” “
， 3”
“
；其中 2” “
和 3”
是被标记的目标像素。
图 2 多重像素定义
轮廓像素：设像素 P R(R
∈
为连通的目标集合)，若 P 的八邻域中
至少有一个像素 P
i
不属于 R，则称 P 为 R 的轮廓像素。如果轮廓像素不
同时满足多重像素条件，则这种轮廓像素不影响目标 R 的连通性，在
细化中可删除之。
1.2 细线与细化
宽度为 1 的线为细线。线细化的最终结果就是把所有线目标都转变
为细线，只有细线才便于跟踪与矢量化。
细化分 2 种类型：面细化和线细化。面细化是在二值图像中，提取
区域性目标的内外轮廓像素的过程，一般有轮廓跟踪法和灰度差分法。
图 3 所示的目标经细化后的结果如图 4 所示。各网格点代表相应位置的
像素；空格代表背景；图中 2 是内轮廓。