數(shù)字圖像處理與深度學(xué)習(xí)技術(shù)應(yīng)用 課件 第9章 圖像分割與測量

第9章圖像分割與測量目錄9.1概述9.2閾值法分割9.2.1直方圖門限選擇法9.2.2半閾值選擇法9.2.3迭代閾值法9.2.4Otsu閾值法9.2.5自適應(yīng)閾值法9.2.6分水嶺算法9.3投影法分割9.3.1水平投影分割9.3.2垂直投影分割9.4輪廓檢測9.4.1領(lǐng)域判斷輪廓法9.4.2邊界跟蹤法9.4.3區(qū)域增長法9.4.4輪廓檢測與擬合9.5目標(biāo)物體測量9.5.1區(qū)域標(biāo)記9.5.2面積測量9.5.3周長測量9.6最小外包形狀檢測9.6.1最小外包矩形9.6.2最小外包圓形9.6.3最小外包三角形9.6.4最小外包橢圓9.7霍夫檢測9.7.1霍夫直線檢測9.7.2霍夫圓檢測9.1概述概述分割的目的是將圖像分為一些有意義的區(qū)域，如目標(biāo)或前景，然后可以對這些區(qū)域進(jìn)行描述。圖像分割的基本思路：從簡到難，逐級分割；控制背景環(huán)境，降低分割難度，把焦點放在增強(qiáng)感興趣的對象，縮小不相干圖像成分的干擾上。圖像分割的方法有多種，依據(jù)工作對像來分，可分為點相關(guān)分割和區(qū)域相關(guān)分割；按算法分類，可分為閥值法，界限檢測法，匹配法，跟蹤法等。9.2閾值法分割9.2.1直方圖門限選擇法理論基礎(chǔ)設(shè)圖像為f(i,

j)，其灰度級范圍為[,]，設(shè)T為閾值，是和內(nèi)任一值，可得一幅二值圖像或者

圖9-1雙峰灰度級直方圖圖9-2多峰值灰度級直方圖效果展示根據(jù)直方圖9-3所示，將兩峰之間的谷底140作為閾值。

圖9-3直方圖19.2.2半閾值選擇法理論基礎(chǔ)希望閾值化處理后只把圖像的背景表示成二值圖像（即背景不是最白（用1表示）就是最黑（用0表示）），而圖像中的物體仍為多值圖像，此時，可采用半閾值化技術(shù)，把物體從背景中分離出來。

或者

cv2.calcHist()函數(shù)用于統(tǒng)計圖像直方圖信息hist=cv2.calcHist(image,channel,mask,histSize,range,accumulate)hist：表示返回的統(tǒng)計直方圖，數(shù)組內(nèi)的元素是各個灰度級的像素個數(shù)；image：表示原始圖像，該圖像需要用“[]”括起來；channel：表示指定通道編號，通道編號需要用“[]”括起來；mask：表示掩模圖像，當(dāng)統(tǒng)計整幅圖像的直方圖時，將這個值設(shè)為None；當(dāng)統(tǒng)計圖像某一部分的直方圖時，需要用到掩模圖像；histSize：表示BINS的值，該值需要用“[]”括起來；range：表示像素值范圍；accumulate：表示累計標(biāo)識，默認(rèn)值為False。如果被設(shè)置為True，則直方圖在開始計算時不會被清零，計算的是多個直方圖的累計結(jié)果，用于對一組圖像計算直方圖。該參數(shù)是可選的，一般情況下不需要設(shè)置。函數(shù)說明效果展示根據(jù)直方圖9-5所示，將兩峰之間的谷底140作為閾值。

圖9-5直方圖2效果展示

圖9-6半閾值選擇圖像分割處理效果圖9.2.3迭代閾值法理論基礎(chǔ)自動計算出比較合適的分割閾值，步驟：（1）選擇閾值T1，可選擇平均灰度值來作為初始閾值，或者指定一個閾值；（2）通過閾值T1，把圖像的像素按照數(shù)值大小分成兩組R1和R2，其中，像素值小于T1的歸為R1，像素值大于T1的歸為R2；（3）計算這兩組平均灰度值μ1和μ2；（4）計算新的閾值T2：T2=(μ1+μ2)/2；（5）判斷T2是否等于T1，如果不相等，則令T1=T2，轉(zhuǎn)步驟2；否則，就獲得了所需要的閾值，執(zhí)行步驟6；（6）根據(jù)最終閾值T1，進(jìn)行二值化。函數(shù)說明matplotlib模塊可以使用其中的hist()函數(shù)來直接繪制圖像的直方圖。n,bins,patches=matplotlib.pyplot.hist(src,bins=10,normed=False,histtype=u'bar',**kwargs)返回值：

n：直方圖向量，是否歸一化由參數(shù)normed設(shè)定。當(dāng)normed取默認(rèn)值時，n即為直方圖各組內(nèi)元素的數(shù)量（各組頻數(shù)）；

bins：返回各個bin的區(qū)間范圍；

patches：返回每個bin里面包含的數(shù)據(jù)，是一個list；參數(shù)：

src：表示原始圖像數(shù)據(jù)，必須將其轉(zhuǎn)換為一維數(shù)據(jù)；

bins：直方圖的柱數(shù)，可選項，默認(rèn)為10；

normed：是否將得到的直方圖向量歸一化。默認(rèn)為0；

histtype：直方圖類型，這些類型有：'bar','barstacked','step','stepfilled'。效果展示9.2.4Otsu閾值法理論基礎(chǔ)Otsu算法主要采用最大類間方差法，將圖像分成背景和前景兩部分，要求這兩個部分的類內(nèi)離散度最小，類間離散度最大，使兩類間方差最大來確定最佳閾值。根據(jù)閾值T將圖像中的像素點分為C1和C2兩類，則：ω0=N0/M×Nω1=N1/M×NN0+N1=M×Nω0+ω1=1μ=ω0*μ0+ω1*μ1g=ω0(μ0-μ)^2+ω1(μ1-μ)^2將式（9-12）代入式（9-13），得到等價公式：

g=ω0ω1(μ0-μ1)^2在從0到255的范圍內(nèi)，不斷調(diào)整閾值T；分別計算上式，找到上述最大的g(T)，則對應(yīng)的T即為Otsu算法自動選取的閾值。函數(shù)說明在threshold()函數(shù)傳遞type參數(shù)時，多傳遞一個參數(shù)cv2.THRESH_OTSU即可，必須把閾值設(shè)置為0。retval,dst=cv2.threshold(src,thresh,maxval,type)retval：表示返回的閾值；dst：表示輸出的圖像；src：表示要進(jìn)行閾值分割的圖像，可以是多通道的圖像；thresh：表示設(shè)定的閾值；maxval：表示type參數(shù)，cv2.THRESH_OTSU；效果展示圖像Ostu算法閾值處理效果如圖9-8所示。左側(cè)為原始圖像，右側(cè)為處理后的圖像。圖9-8Ostu算法閾值處理效果圖9.2.5自適應(yīng)閾值法理論基礎(chǔ)自適應(yīng)閾值可以看成一種局部性的閾值，通過規(guī)定一個區(qū)域大小，比較處理像素點與區(qū)域大小里面像素點的平均值—閾值（或者其他特征）的大小關(guān)系確定這個像素點是黑還是白。理想的情況下，色彩均衡的圖像，對整個圖像使用單個閾值進(jìn)行閾值化就會成功。但是，受到多種因素的影響，圖像的色彩并不會很均衡，在這種情況下，使用局部值（又稱自適應(yīng)值）進(jìn)行分割可以產(chǎn)生好的結(jié)果。函數(shù)說明在OpenCV中提供函數(shù)cv2.adaptiveThreshold()來實現(xiàn)自適應(yīng)閾值處理，其一般格式為：dst=cv2.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,c)dst：輸出的圖像；src：輸入圖，只能輸入單通道圖像，通常來說為灰度圖；maxval：當(dāng)像素值超過了閾值（或者小于閾值，根據(jù)type來決定）時，所賦予的值adaptiveMethod：閾值的計算方法，包含以下2種類型：

cv2.ADAPTIVE_THRESH_MEAN_C：區(qū)域內(nèi)均值；

cv2.ADAPTIVE_THRESH_GAUSSIAN_C：區(qū)域內(nèi)像素點加權(quán)和，權(quán)重為一個高斯窗口；thresholdType：二值化操作的類型BlockSize：圖片中區(qū)域的大小；C：閾值計算方法中的常數(shù)項。效果展示圖像自適應(yīng)閾值分割處理效果如圖9-9所示。圖9-9（a）為原始圖像，圖9-9（b）為采用權(quán)重相等方式的局部閾值處理；圖9-9（c）為采用權(quán)重為高斯分布的局部閾值處理?？梢钥闯鰣D9-9（c）相對于圖9-9（b）保留了大量的細(xì)節(jié)信息。9.2.6分水嶺算法理論基礎(chǔ)分水嶺分割是基于自然的啟發(fā)算法來模擬水流通過地形起伏的現(xiàn)象，從而研究總結(jié)出來的一種分割方法，其基本原理是將圖像特征看作地理上的地貌特征，在分割中，它會把與鄰近像素間的相似性作為重要的參考依據(jù)，從而將在空間位置上相近和灰度值相近的像素點互相連接起來構(gòu)成一個封閉的輪廓。具體實現(xiàn)方案如下：（1）對灰度圖進(jìn)行二值化處理，增強(qiáng)目標(biāo)前景，去除無用背景（2）利用形態(tài)學(xué)函數(shù)，找到背景并標(biāo)記背景；確定背景信息B（3）利用距離變換函數(shù)cv2.distanceTransform()函數(shù)，確定前景信息F距離變換函數(shù)實現(xiàn)步驟：理論基礎(chǔ)①將輸入圖片轉(zhuǎn)換為二值圖像，前景設(shè)置為1，背景設(shè)置為0。②Chamfer倒角模版遍歷像素順序如圖9-10所示，需要對圖像進(jìn)行兩次掃描。依次選取左、左上、上、右下，等像素計算見（9-20）式，實現(xiàn)距離變換。其中，D表示距離包括歐式距離，棋盤距離和麥哈頓距離；理論基礎(chǔ)掩膜模板mask為maskL；f(p)為像素點p的像素值。③依據(jù)圖9-10（b）所示的后向模板maskR再次遍歷圖像，依次選取右、右下、下、左下等像素計算（9-20）式，實現(xiàn)距離變換。④根據(jù)模板maskL和maskR的掃描，得到最終的距離變換圖像。（4）獲取邊緣，確定未知區(qū)域UN圖像中有了確定前景F和確定背景B，剩下的區(qū)域就是未知區(qū)域UN了。未知區(qū)域UN=

圖像O

-

確定背景B

-

確定前景F未知區(qū)域UN=（圖像O

-

確定背景B）-

確定前景F上式中的“圖像O

-

確定背景B”，可以通過對圖像進(jìn)行形態(tài)學(xué)的開運算操作得到。（5）利用函數(shù)cv2.connectedComponent()，構(gòu)建標(biāo)記圖像（marker），對目標(biāo)進(jìn)行標(biāo)注使用函數(shù)cv2.connectedComponents()進(jìn)行標(biāo)注，該函數(shù)會將背景標(biāo)注為0，將其他的對象使用從1開始的正整數(shù)標(biāo)注。函數(shù)說明使用cv2.watershed()函數(shù)實現(xiàn)分水嶺算法，（1）距離變換函數(shù)distanceTransformdst=cv2.distanceTransform(src,distanceType,maskSize[,dstType])dst：表示計算得到目標(biāo)函數(shù)圖像?？梢允?位或32位浮點數(shù)，尺寸和src相同；src：表示原始圖像，必須是8通道的二值圖像；DistanceType：表示距離類型。常用距離類型標(biāo)識符和含義如表9-1所示。（2）圖像的標(biāo)注cv2.connectedComponents()函數(shù)對圖像進(jìn)行標(biāo)注。ret,markers=cv2.connectedComponents(image)ret：連通域的數(shù)目，表示標(biāo)注的數(shù)量；markers：表示標(biāo)注的結(jié)果圖像，圖像上每一個像素的標(biāo)記，用數(shù)字1、2、3、…表示（不同的數(shù)字表示不同的連通域），0表示背景；image：表示原始圖像，必須是8通道的圖像。函數(shù)說明（3）分水嶺分割cv2.watershed()函數(shù)實現(xiàn)圖像的分水嶺操作。img=cv2.watershed(image,markers)img：表示分水嶺操作的結(jié)果；image：表示輸入圖像；markers：表示32位單通道標(biāo)注結(jié)果。效果展示圖像分水嶺算法處理效果如圖9-20所示，左面的圖像是原始的灰度圖，右邊的圖像是對其進(jìn)行分水嶺操作后的圖像。

圖9-20分水嶺算法處理效果圖9.3投影法分割9.3.1水平投影分割理論基礎(chǔ)水平投影分割是沿著圖像水平方向，統(tǒng)計水平方向像素的累加計算量的集合，通過水平投影可以取得目標(biāo)物體所在的行數(shù)。實現(xiàn)步驟：①將圖像二值化，使物體為黑，背景為白。②循環(huán)各行，依次判斷每一列的像素值是否為黑，統(tǒng)計該行所有黑像素的個數(shù)。設(shè)該行共有M個黑像素，則把該行從第一列到第M列置為黑。③顯示該圖。效果展示通過水平投影可以取得漢字所在的行數(shù)，圖像投影處理效果如圖9-21所示。圖9-21水平投影可分割漢字所在的行數(shù)9.3.2垂直投影分割理論基礎(chǔ)垂直投影分割是沿著圖像垂直方向，統(tǒng)計垂直方向像素的累加計算量的集合，通過垂直投影可以取得目標(biāo)物體所在的列數(shù)。實現(xiàn)步驟：①將圖像二值化，使物體為黑，背景為白。②循環(huán)各列，依次判斷每一行的像素值是否為黑，統(tǒng)計該列所有黑像素的個數(shù)。設(shè)該列共有M個黑像素，則把該列從第一行到第M行置為黑。③顯示該圖。效果展示圖像投影處理效果如圖9-22所示，垂直投影可獲得漢字所在的列數(shù)，因此，垂直投影可以分割每個漢字。圖9-22垂直投影可以分割每個漢字9.4輪廓檢測9.4.1鄰域判斷輪廓法理論基礎(chǔ)如果圍繞像素點的8點鄰域的灰度值和中心像素點的灰度值相同，就認(rèn)為該點是物體內(nèi)部，可以刪除；否則，認(rèn)為該點是物體的邊緣，需要保留。依次處理物體中的每一個像素點，最后剩下的就是物體的輪廓。效果展示圖像輪廓提取處理效果如圖9-23所示。左側(cè)為原始圖像，右側(cè)為處理后的圖像。圖9-23輪廓提取處理效果圖

9.4.2邊界跟蹤法理論基礎(chǔ)邊界跟蹤的基本方法是：先根據(jù)某些嚴(yán)格的“探測準(zhǔn)則”找出目標(biāo)物體輪廓上的像素，再根據(jù)這些像素的某些特征用一定的“跟蹤準(zhǔn)則”找出目標(biāo)物體上的其他像素。圖9-24邊界跟蹤示意圖理論基礎(chǔ)中心像素可以跟蹤的方向有8個，對每個方向制訂了方向編號及偏移量，當(dāng)找到起始點，把該點記錄下來，定義初始的跟蹤方向是左上方0方向，判斷該點是否為目標(biāo)點，若是則把該目標(biāo)點作為跟蹤的起始點，逆時針旋轉(zhuǎn)90度作為新的跟蹤方向，繼續(xù)檢測該新的跟蹤方向上的點；若不是則沿順時針旋轉(zhuǎn)45度，直至找到目標(biāo)點。找到目標(biāo)點后，在當(dāng)前跟蹤方向的基礎(chǔ)上，逆時針旋轉(zhuǎn)90度作為新的跟蹤方向，用同樣的方法跟蹤下一個邊界點，直到回到起始點為止。效果展示圖像外邊界跟蹤處理效果如圖9-25所示。左側(cè)為原始圖像，右側(cè)為處理后的圖像。圖9-25外邊界跟蹤處理效果9.4.3區(qū)域增長法理論基礎(chǔ)區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。具體流程是先對每個需要分割的區(qū)域找一個種子像素作為生長起點，然后將種子像素和周圍鄰域中與種子像素有相同或相似性質(zhì)的像素合并到種子像素所在的區(qū)域中。將這些新像素當(dāng)作新的種子繼續(xù)上面的過程，直到?jīng)]有滿足條件的像素可被包括進(jìn)來。這樣一個區(qū)域就生長成了。

圖9-26區(qū)域增長法示意圖函數(shù)說明（1）None=dWindow(winname[,flags])該函數(shù)是OpenCV中用于創(chuàng)建窗口的函數(shù)，窗口通常用來顯示圖像。Winname：窗口名稱；Flags：可選參數(shù)，例如有cv2.WINDOW_NORMAL、cv.WINDOW_AUTOSIZE等。（2）None=cv2.setMouseCallback(winname,onMouse,userdata)該函數(shù)是OpenCV中常需要用到的鼠標(biāo)回調(diào)函數(shù)，以此實現(xiàn)人機(jī)交互。Winname：綁定的窗口名稱；OnMouse：鼠標(biāo)的回調(diào)函數(shù)；Userdata：可選參數(shù)。函數(shù)說明（3）在OpenCV中提供了cv2.circle()函數(shù)來繪制圓image=cv2.circle(image,center,radius,color[,thickness[,lineType]])image：表示繪制的載體圖像；center：表示圓心；radius：表示圓的半徑；color：表示繪制圓的線條的顏色；thickness：表示繪制圓的線條的粗細(xì)；lineType：表示繪制圓的線條的類型。函數(shù)說明（4）在OpenCV中提供了cv2.putText()函數(shù)，用于在圖形上繪制文字mage=cv2.putText(image,text,org,fontFace,fontScale,color[,thickness[,lineType[,bottomLeftOrigin]]])image：表示繪制的載體圖像；text：表示要繪制的字體；org：表示繪制字體的位置；fontFace：表示字體類型；fontScale：表示字體大??；color：表示繪制文字的線條的顏色；thickness：表示繪制文字的線條的粗細(xì)；lineType：表示繪制文字的線條的類型；bottomLeftOrigin：表示文字的方向。效果展示

圖9-27鼠標(biāo)單擊效果圖9.4.4輪廓檢測與擬合圖像輪廓是指將邊緣信息連接起來形成的一個整體。圖像輪廓是圖像中非常重要的一個特征，通過對圖像輪廓進(jìn)行操作，能夠獲取目標(biāo)圖像的大小、位置和方向等信息。圖像的輪廓由一系列的點組成，這些點以某種方式表示圖像中的一條曲線。所以，圖像輪廓的繪制就是將檢測到的邊緣信息和圖像的前景信息進(jìn)行擬合，從而得到圖像的輪廓。函數(shù)說明在OpenCV中提供了cv2.findContours()和cv2.drawContours()函數(shù)來實現(xiàn)對圖像輪廓的查找與繪制。（1）cv2.findContours()函數(shù)一般格式為：image,contours,hierarchy=cv2.findContours(image,mode,method)image：表示8位單通道原始圖像。mode：表示輪廓檢索模式。（2）cv2.drawContours()函數(shù)一般格式為：image=cv2.drawContours(image,contours,contourIdx,color[,thickness[,lineTypehierarchy[,maxLevel[,offset]]]]])函數(shù)說明image：表示待繪制輪廓的圖像。contours：表示需要繪制的輪廓。contourIdx：表示需要繪制的邊緣索引。color：表示繪制的輪廓顏色。繪制的顏色，用BGR格式表示。thickness：表示繪制輪廓的粗細(xì)。如將該值設(shè)置為“-1”，則表示要繪制實心輪廓。lineType：表示繪制輪廓所選用的線型。hierarchy：對應(yīng)函數(shù)cv2.findContours()所輸出的層次信息。maxLevel：控制所繪制輪廓層次的深度。offset：表示輪廓的偏移程度。該參數(shù)使輪廓偏移到不同的位置展示出來。效果展示

（a）原圖（b）輪廓繪制（c）Mask圖

效果展示

（d）提取的前景（e）Canny檢測的邊緣（f）繪制的邊緣信息

9.5目標(biāo)物體測量9.5.1區(qū)域標(biāo)記函數(shù)說明（1）在OpenCV中可以通過cv2.moments()函數(shù)來獲取圖像的輪廓特征moments=cv2.moments(img,binaryImage=False)img：可以是灰度圖像或者二值圖像；binaryImage：表示輸入的二值圖像是否已經(jīng)是經(jīng)過二值化處理的。如果是，則傳入True，否則傳入False。moments：返回的矩特征。cv2.moments函數(shù)的返回值為一個字典，包含了圖像矩及其他信息。字典的鍵與矩的特征有關(guān)，例如中心矩、二階矩等。m00=moments['m00'] #面積cx=moments['m10']/moments['m00'] #x坐標(biāo)cy=moments['m01']/moments['m00'] #y坐標(biāo)其中，m00表示圖像的面積，cx和cy分別表示圖像的重心。效果展示9.5.2面積測量在OpenCV中，cv2.contourArea()函數(shù)可以用于計算輪廓的面積，其一般格式為：retval=cv2.contourArea(contour[,booled])retval：表示返回的輪廓面積；contour：表示輸入的輪廓；booled：表示輪廓的封閉性。函數(shù)說明效果展示9.5.3周長測量函數(shù)說明在OpenCV中，函數(shù)cv2.arcLength()可以用于計算輪廓的長度，其一般格式為：retval=cv2.arcLength(contour,booled)其中：retval：表示返回的輪廓周長；contour：表示輸入的輪廓；booled：表示輪廓的封閉性。效果展示圖9-35周長計算效果圖9.6最小外包形狀檢測9.6.1最小外包形狀檢測函數(shù)說明在OpenCV中提供了cv2.minAreaRect()函數(shù)用來繪制輪廓的最小外包矩形框ret=cv2.minAreaRect(points)ret：表示返回的矩形特征信息；points：表示輸入的輪廓。返回值ret的結(jié)構(gòu)不符合cv2.drawContours()函數(shù)的參數(shù)結(jié)構(gòu)要求。因此，必須使用cv2.boxPoints()函數(shù)將上述返回值ret轉(zhuǎn)換為符合要求的結(jié)構(gòu)。cv2.boxPoints()函數(shù)的一般格式是：points=cv2.boxPoints(box)box：表示cv2.minAreaRect()函數(shù)返回值類型的值；points：表示返回的符合結(jié)構(gòu)的矩形特征信息。效果展示圖9-36最小外包矩形示意圖9.7霍夫檢測9.7.1霍夫直線檢測理論基礎(chǔ)霍夫變換（HoughTransform）的原理是將特定圖形上的點變換到一組參數(shù)空間上，根據(jù)參數(shù)空間點的累計結(jié)果找到一個極大值對應(yīng)的解，那么這個解就對應(yīng)著要尋找的幾何形狀的。圖9-40極坐標(biāo)系下的直線方程（1）極坐標(biāo)系下的直線方程ρ

=

xcosθ

+

ysinθ（9-21）（2）極坐標(biāo)系中的一點對應(yīng)θ從0～2π變化的直線（3）θ角度由1°逐漸遞增可獲取對應(yīng)的直線參數(shù)ρ（4）同一條直線上的點，對應(yīng)相同的(ρ,θ)圖9-40極坐標(biāo)系下的直線方程（5）參數(shù)空間(θ,ρ)量化，構(gòu)建累加器矩陣，統(tǒng)計相同(θ,ρ)的出現(xiàn)次數(shù)霍夫直線檢測，就是將參數(shù)空間(θ,ρ)量化成m×n（m為θ的等份數(shù)，n為ρ的等份數(shù)）個單元。理論基礎(chǔ)算法流程：①首先就是對圖像進(jìn)行Canny邊緣提取；②將參數(shù)空間(θ,ρ)量化成m×n個單元，并設(shè)置累加器矩陣Q[m×n]，并把累加器的初始值置為零；③將每一個邊緣點的直角坐標(biāo)系代入式ρ=xcosθ+ysinθ，然后將θ0～θm?1?也都代入其中，分別計算出相應(yīng)的值ρj；④在參數(shù)空間中，找到每一個Q(θi,ρj)所對應(yīng)的單元，并將該單元的累加器加1；⑤待圖像xy坐標(biāo)系中的所有點都進(jìn)行運算之后，檢查參數(shù)空間的累加器，指定一個閾值,輸出多條直線。函數(shù)說明（1）cv2.HoughLines()函數(shù)來實現(xiàn)標(biāo)準(zhǔn)霍夫直線檢測，lines=cv2.HoughLines(image,rho,theta,threshold)lines：表示函數(shù)的返回值，是檢測到的直線參數(shù)；image：表示輸入的8位單通道二值圖像