Android的植物叶片识别图像匹配搜索算法的研究与实现(4)
腐蚀：待检测点8邻域内都是目标点，那么该待检测点才属于目标点，否则将会被腐蚀的，看做非目标点。
膨胀：待检测点8领域内只要有一个是目标点，那么该点就是目标点。
在本文中在由二值图像得到边缘图像前，先对二值图像进行开闭运算，这样可以得到更为合理清晰的边缘。
以上是主要的去噪方法，只是做一个简要介绍，当然去噪还有很多其它方法，如极值滤波等。本文我们对灰度图像采用了高斯均值滤波，其中 取值为0.6，窗口大小为3*3，二值化后的图像进行了形态学滤波。
还有就是上述表述的滤波方法都是二文窗口进行二文卷积，如下图2.1，这样就需要对图像的边界进行额外处理，否则随着窗口的增大与内部的差异性较大，为了简化运算，是处理方式统一化，本文采用竖直与水平两个方向的一文滤波，先得到一文的滤波模板，由对称性可知，竖直和水平方向采用相同的滤波模板，这样就不必要在对边界进行单独处理了。如下图2.2所示。
2.2.3 图像的二值化
图像二值化是将图像分为目标和背景两类，只需两种颜色就可表示，一般采用永0和255的灰度级，当然在具体是现实时因为是二值，因此只需一个比特位就可表示。二值化主要就是要选取一个二值化阈值 ，它又分为局部阈值和全局阈值。二值化的方法主要有：Bernsen方法、OTSU方法、迭代法等。其中Bernsen为局部阈值，后两者为全局阈值。
式（2.6）
其中 为二值化后的灰度值， 为阈值。
在图像二值化过程中，直方图是一个极其方便的用来减少运算次数的辅助结构。直方图是一个可以用来做统计用的辅助数组，可以是一文或多文。
（一）Bernsen算法
Bernsen算法的思想为：为每一个像素点分配一个阈值，位于位置 处像素点的阈值由以其为中心，大小为 窗口内所有像素点决定。其值为窗口内最大灰度值与最小灰度值的平均值：
式（2.7）
该算法在实现时可取 为1，因为它没有统一的阈值，因此当图像较大时耗时会比较长。在具体是现实时可能还要一个辅助矩阵用来存放每一个像素点的阈值，因此所占空间也比较大，因此该算法适合于图像不大的情况。
算法描述：
输入：灰度图像 ；
输出：二值化图像 ；
1.将灰度图像表示为 的矩阵 ；
2.将矩阵 按其边界扩展得到扩展后的矩阵 ，大小 ；
3.求出矩阵 中 为中心的 窗口的最大值 和最小值 ；
4.求出 处的阈值 ，并保存于矩阵 中；
5.从位置 至 遍历矩阵 ，如果 ，则 ，否则 。
（二）OTSU算法
OTSU算法又叫目标背景方差最大法，该算法的思想是找出一个全局阈值，在该阈值分割的目标背景所形成的方差和最大。该方法可以尽可能的减少目标点错分的数目，因为如果有目标点错分为背景点，那么二者的方差值会减小，也就是背景与目标之间的距离减小。距离可以表述为：
式（2.8）
其中 ， 表示阈值为 时的背景、目标灰度均值， ， 表示阈值为 时背景、目标像素点占所有像素点的比例。
在实现时可有下面式子式（2.9）求得全局阈值：
式（2.9）
式（2.10）
其中 ， ， ， 含义同式（2.8）， 为图像的灰度均值。
式（2.8,2.9）中均有 。本文中就是采用的该算法，耗时较短，尤其采用直方图后减少了计算量，又节省了存储空间，该算法也有缺陷就是对光照是否均匀有一定的影响。