Hình thái học là gì?

- Trong ngữ cảnh của xử lý ảnh, hình thái học(morphology) là một lĩnh vực học nghiên cứu và xử lý
các hình dạng, cấu trúc trong ảnh dựa trên toán học hình học và đại số. Nó chủ yếu liên quan đến việc
nghiên cứu về hình dạng, kích thước, cấu trúc, và vị trí tương đối của các đối tượng trong ảnh.
Lấp đầy vùng trống (Region Filling): Đôi khi trong xử lý ảnh, chúng ta muốn "lấp đầy" các vùng
trống hoặc lỗ hổng trong một đối tượng. Trong hình thái học, việc lấp đầy vùng trống được thực hiện
thông qua một quy trình lặp đi lặp lại, mở rộng biên của vùng trống cho đến khi không thể mở rộng
thêm.
Kỹ thuật này thường được sử dụng trong các tác vụ như phân đoạn hình ảnh, phát hiện đối tượng, và
tiền xử lý hình ảnh.

Xk = (Xk−1 ⊕ B) ∩ A^c( hoặc A̅) k = 1, 2, 3,...

Cuối cùng Xk ∪ 𝐴 là vùng được lấp đầy

𝑋0 = {𝑝}, 𝑋1 = {𝑝, 1}, 𝑋2 = {𝑝, 1, 2}, …
p là pixel hạt giống ban đầu, "1" có thể là pixel tiếp theo được thêm vào vùng lấp đầy sau lần lặp đầu
tiên của thuật toán, "2" có thể là pixel được thêm vào sau lần lặp thứ hai, v.v.
Quá trình ngừng lại khi Xk = Xk-1 . Nghĩa là không còn lỗ nào trong vùng để lấp đầy.
Giải thích:
k : đại diện cho lần lặp của quy trình lấp đầy vùng. Nếu bắt đầu từ k = 0, X0 thường là tập
hợp khởi tạo và không cần áp dụng phép toán nào, vì vậy việc bắt đầu lặp từ k = 1 là tự nhiên
và phù hợp với cách thuật toán được triển khai.
Xk: Đây là tập hợp các điểm sau bước thứ k.
Xk-1: Đây là tập hợp các điểm sau bước thứ k-1.
B: Đây là phần tử cấu trúc hoặc nhân(kernel), thường được sử dụng để xác định "hàng xóm"
của một pixel.Là một mặt nạ có thể có hình dạng khác như hình vuông, hình chữ thập,hình
tròn. Trong đó có 1 thành phần gọi là origin thường là điểm chúng ta cần xem là tâm.
⊕: Đây là toán tử dilation (phép giãn nở,phép làm dày). Nó được sử dụng để "mở rộng" một
vùng.
Trong giáo trình là phép làm dày
∩: Đây là toán tử giao (intersection). Nó được sử dụng để lấy phần chung giữa hai tập hợp.
A^c: Đây là bổ đề của A, nghĩa là tất cả các điểm không thuộc A.
A^c là ký hiệu toán học để biểu thị bổ đề của một tập hợp A. Trong ngữ cảnh của toán
học và lý thuyết tập hợp, bổ đề của một tập hợp A (đôi khi còn được gọi là phần bù
của A) là tập hợp tất cả các phần tử không thuộc A nhưng thuộc vào một tập hợp mẫu
(hay không gian mẫu) cho trước.

Ví dụ, giả sử chúng ta có một không gian mẫu U là tập hợp các số nguyên từ 1 đến
10, và tập hợp A là {1, 2, 3}. Vậy thì bổ đề của A, ký hiệu là A^c hoặc A', sẽ là tập
hợp {4, 5, 6, 7, 8, 9, 10}.
 Trong ngữ cảnh của xử lý hình ảnh, bổ đề của một tập hợp pixel A sẽ là tập hợp tất cả
các pixel không thuộc A nhưng thuộc vào không gian hình ảnh toàn bộ. Ví dụ, nếu A
là tập hợp các pixel đen trong một hình ảnh xám, thì A^c sẽ là tập hợp các pixel
không đen, tức là các pixel màu xám và trắng.
Tại sao phải làm đầy vùng?
Hình ảnh nhị phân thường xuất hiện trong các ứng dụng xử lý ảnh như kết quả của
việc ngưỡng hoặc một số quy trình phân đoạn khác trên một hình ảnh mức xám hoặc
màu đầu vào. Những quy trình này hiếm khi hoàn hảo (thường do sự biến đổi không
thể kiểm soát được về cường độ chiếu sáng) và có thể để lại 'lỗ', tức là các pixel 'nền'
bên trong các đối tượng nhị phân xuất hiện từ việc phân đoạn. Việc lấp đầy các lỗ
trong những đối tượng này thường được mong muốn để việc xử lý hình thái tiếp theo
có thể được thực hiện một cách hiệu quả
Để áp dụng trên ảnh xám và ảnh màu, trước tiên cần chuyển đổi ảnh sang ảnh nhị
phân thông qua việc áp dụng ngưỡng (thresholding) hoặc phân đoạn ảnh (image
segmentation) để phân biệt đối tượng và nền. Sau khi lấp đầy vùng trống trên ảnh nhị
phân, kết quả có thể được áp dụng trở lại ảnh xám hoặc ảnh màu để cải thiện chất
lượng và đặc điểm hình thái của đối tượng.

Thành phần liên thông (Connected Component): Trong xử lý ảnh, một "thành phần liên thông" là một
nhóm các pixel liên kết với nhau theo một tiêu chuẩn cụ thể. Tiêu chuẩn này thường là giá trị mức
xám hoặc màu của pixel. Nếu hai pixel có cùng giá trị mức xám và nằm cạnh nhau, họ thuộc về cùng
một "thành phần liên thông". Việc nhận biết các thành phần liên thông trong ảnh rất hữu ích trong
nhiều tình huống, chẳng hạn như phân đoạn ảnh (image segmentation), nhận dạng đối tượng, v.v...
Để phát hiện các thành phần liên thông, chúng ta thường sử dụng các thuật toán duyệt đồ thị, như
duyệt theo chiều sâu (DFS) hoặc duyệt theo chiều rộng (BFS)