[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_b%E1%BB%99%20l%E1%BB%8Dc%20h%C3%ACnh%20th%C3%A1i{\"limit\":5}":3,"_public_topic_byId_bộ lọc hình thái":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":18,"definition":22,"discipline":23,"references":24,"faqs":49,"createUser":59,"publishUser":63,"keywords":64,"keywordCount":75,"enrichTopicLink":76,"status":77,"createTime":78,"updateTime":79,"publishTime":80,"linkEnrichedTime":81,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":82,"relateTopics":83},"bộ lọc hình thái","Bộ lọc hình thái: Cơ sở toán học, toán tử và ứng dụng","Khám phá bộ lọc hình thái: cơ sở lý thuyết lưới đại số, phép co, giãn, toán tử mở đóng và ứng dụng trong xử lý ảnh y tế và thị giác máy tính.","\u003Cp>Bộ lọc hình thái (tiếng Anh: morphological filter) là một lớp các toán tử xử lý tín hiệu và hình ảnh phi tuyến tính thỏa mãn hai tiên đề đại số về tính tăng và tính lũy đẳng trên cấu trúc lưới, trong đó việc trích xuất và biến đổi hình học của tín hiệu được thực hiện thông qua sự tương tác với một hình mẫu định trước gọi là phần tử cấu trúc (structuring element). Trong khi các phép toán sơ cấp như phép co và phép giãn làm thay đổi quy mô hình học, các bộ lọc hình thái thực thụ như phép mở, phép đóng và bộ lọc xen kẽ tuần tự cho phép loại bỏ nhiễu và bảo toàn biên cạnh mà không làm dịch chuyển ranh giới đối tượng.\u003C\u002Fp>\n\n\u003Ch2>Bối cảnh ra đời và cơ sở đại số của hình thái học toán học\u003C\u002Fh2>\n\u003Cp>Hình thái học toán học ban đầu được xây dựng trên lý thuyết tập hợp cho các ảnh nhị phân. Năm 1986, Jean Serra đã công bố một bài báo tổng quan nền tảng trên tạp chí Computer Vision, Graphics, and Image Processing, hệ thống hóa {{topic|%7B%22topic%22%3A%22h%C3%ACnh%20th%C3%A1i%20h%E1%BB%8Dc%22%7D}} toán học từ {{topic|%7B%22topic%22%3A%22kh%C3%B4ng%20gian%22%7D}} tập hợp Euclid sang lý thuyết lưới đầy đủ (complete lattices), qua đó mở rộng việc áp dụng các phép toán hình thái từ ảnh nhị phân sang tín hiệu và ảnh mức xám liên tục cũng như rời rạc.\u003C\u002Fp>\n\n\u003Cp>Tiếp nối nền tảng đó, năm 1987, Petros Maragos và Ronald W. Schafer đã công bố công trình {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20h%E1%BB%87%20th%E1%BB%91ng%22%7D}} gồm hai phần trên tạp chí IEEE Transactions on Acoustics, Speech, and Signal Processing. Trong phần một, các tác giả đã phân tích bản chất lý thuyết tập hợp của các bộ lọc hình thái và thiết lập mối quan hệ tương hỗ với các bộ lọc tuyến tính bất biến theo dịch chuyển. Trong phần hai, công trình làm sáng tỏ liên hệ toán học chặt chẽ giữa bộ lọc hình thái với bộ lọc trung vị, bộ lọc thống kê thứ tự và bộ lọc xếp chồng.\u003C\u002Fp>\n\n\u003Cp>Cũng vào năm 1987, Robert M. Haralick cùng Stanley R. Sternberg và Xinhua Zhuang đã công bố bài báo quan trọng trên IEEE Transactions on Pattern Analysis and Machine Intelligence, chuẩn hóa các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%22%7D}} hình thái học cho {{topic|%7B%22topic%22%3A%22th%E1%BB%8B%20gi%C3%A1c%20m%C3%A1y%20t%C3%ADnh%22%7D}} và phân tích ảnh công nghiệp, tạo tiền đề cho việc ứng dụng rộng rãi các bộ lọc hình thái trong khoa học kỹ thuật hiện đại.\u003C\u002Fp>\n\n\u003Ch2>Hai phép toán cơ sở: Phép co và phép giãn\u003C\u002Fh2>\n\u003Cp>Hệ thống các bộ lọc hình thái được xây dựng từ hai phép toán đại số cơ bản: phép co (erosion) và phép giãn (dilation). Cho tín hiệu đầu vào \u003Cscript type=\"math\u002Ftex\">f(x)\u003C\u002Fscript> và phần tử cấu trúc \u003Cscript type=\"math\u002Ftex\">b(x)\u003C\u002Fscript> xác định trên không gian Euclid:\u003C\u002Fp>\n\n\u003Ch3>1. Phép giãn mức xám\u003C\u002Fh3>\n\u003Cp>Phép giãn của hàm \u003Cscript type=\"math\u002Ftex\">f\u003C\u002Fscript> bởi phần tử cấu trúc \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript>, ký hiệu là \u003Cscript type=\"math\u002Ftex\">f \\oplus b\u003C\u002Fscript>, được định nghĩa thông qua phép cộng Minkowski mở rộng và toán tử cận trên:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">(f \\oplus b)(x) = \\sup_{y} \\{ f(x - y) + b(y) \\}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong trường hợp phần tử cấu trúc phẳng có giá trị bằng không trên miền xác định \u003Cscript type=\"math\u002Ftex\">B\u003C\u002Fscript>, phép giãn tương đương với phép tìm giá trị cực đại cục bộ:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">(f \\oplus b)(x) = \\max_{y \\in B} \\{ f(x - y) \\}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Về mặt hình học, phép giãn làm mở rộng các vùng sáng, lấp đầy các thung lũng hoặc lỗ thủng tối có kích thước nhỏ hơn phần tử cấu trúc và kết nối các vùng sáng bị đứt đoạn.\u003C\u002Fp>\n\n\u003Ch3>2. Phép co mức xám\u003C\u002Fh3>\n\u003Cp>Phép co của hàm \u003Cscript type=\"math\u002Ftex\">f\u003C\u002Fscript> bởi phần tử cấu trúc \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript>, ký hiệu là \u003Cscript type=\"math\u002Ftex\">f \\ominus b\u003C\u002Fscript>, được định nghĩa thông qua phép trừ Minkowski mở rộng và toán tử cận dưới:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">(f \\ominus b)(x) = \\inf_{y} \\{ f(x + y) - b(y) \\}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Với phần tử cấu trúc phẳng, phép co trở thành phép tìm giá trị cực tiểu cục bộ:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">(f \\ominus b)(x) = \\min_{y \\in B} \\{ f(x + y) \\}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Phép co làm thu hẹp các vùng sáng, mở rộng các vùng tối và loại bỏ hoàn toàn các cấu trúc sáng cô lập có kích thước nhỏ hơn phần tử cấu trúc.\u003C\u002Fp>\n\n\u003Ch2>Hai toán tử lọc cơ bản: Phép mở và phép đóng\u003C\u002Fh2>\n\u003Cp>Mặc dù phép co và phép giãn loại bỏ được các thành phần nhiễu tương ứng, chúng làm thay đổi kích thước hình học tổng thể của đối tượng và không có tính lũy đẳng, vì vậy chưa phải là bộ lọc hình thái hoàn chỉnh theo nghĩa đại số. Để khắc phục điều này, việc kết hợp liên tiếp hai phép toán cơ sở tạo thành hai toán tử lọc cốt lõi: phép mở (opening) và phép đóng (closing).\u003C\u002Fp>\n\n\u003Ch3>1. Phép mở hình thái\u003C\u002Fh3>\n\u003Cp>Phép mở của tín hiệu \u003Cscript type=\"math\u002Ftex\">f\u003C\u002Fscript> bởi phần tử cấu trúc \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript>, ký hiệu là \u003Cscript type=\"math\u002Ftex\">f \\circ b\u003C\u002Fscript>, được định nghĩa là một phép co liên tiếp sau đó bởi một phép giãn cùng phần tử cấu trúc:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">f \\circ b = (f \\ominus b) \\oplus b\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Về mặt trực quan, phép mở tương đương với việc lăn phần tử cấu trúc phía dưới bề mặt đồ thị tín hiệu. Mọi đỉnh nhọn sáng nhỏ hơn phần tử cấu trúc sẽ bị cắt gọt, trong khi hình dạng tổng thể của các vùng sáng lớn hơn được bảo tồn nguyên vẹn. Nhờ đó, phép mở loại bỏ hiệu quả nhiễu xung sáng dạng muối tiêu mà không làm mờ biên cạnh chuyển mức lớn.\u003C\u002Fp>\n\n\u003Ch3>2. Phép đóng hình thái\u003C\u002Fh3>\n\u003Cp>Phép đóng của tín hiệu \u003Cscript type=\"math\u002Ftex\">f\u003C\u002Fscript> bởi phần tử cấu trúc \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript>, ký hiệu là \u003Cscript type=\"math\u002Ftex\">f \\bullet b\u003C\u002Fscript>, được định nghĩa là một phép giãn liên tiếp sau đó bởi một phép co:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">f \\bullet b = (f \\oplus b) \\ominus b\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Cơ chế hình học của phép đóng tương đương với việc lăn phần tử cấu trúc phía trên bề mặt tín hiệu. Những thung lũng hẹp và khe rãnh tối nhỏ hơn phần tử cấu trúc sẽ được lấp đầy, trong khi độ cao của các đỉnh núi lớn không bị suy giảm. Phép đóng là công cụ chuyên dụng để triệt tiêu nhiễu hạt tối và hàn gắn các vết nứt gãy.\u003C\u002Fp>\n\n\u003Ch2>Tính chất đại số tiên đề của bộ lọc hình thái\u003C\u002Fh2>\n\u003Cp>Theo định nghĩa đại số của Jean Serra và Petros Maragos, một toán tử ánh xạ \u003Cscript type=\"math\u002Ftex\">\\psi\u003C\u002Fscript> được công nhận là một bộ lọc hình thái khi và chỉ khi thỏa mãn hai tính chất tiên đề sau đây:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tính tăng (Increasing property):\u003C\u002Fstrong> Nếu \u003Cscript type=\"math\u002Ftex\">f(x) \\le g(x)\u003C\u002Fscript> với mọi \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>, thì \u003Cscript type=\"math\u002Ftex\">\\psi(f)(x) \\le \\psi(g)(x)\u003C\u002Fscript>. Tính chất này bảo đảm rằng bộ lọc luôn tôn trọng mối quan hệ thứ tự sắp xếp của cường độ tín hiệu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tính lũy đẳng (Idempotence):\u003C\u002Fstrong> Áp dụng bộ lọc hai lần liên tiếp cho kết quả đồng nhất với một lần áp dụng: \u003Cscript type=\"math\u002Ftex\">\\psi(\\psi(f)) = \\psi(f)\u003C\u002Fscript>. Tính lũy đẳng thể hiện trạng thái nghiệm dừng ổn định, nghĩa là tín hiệu sau khi lọc đã đạt trạng thái cân bằng hình học đối với phần tử cấu trúc và không bị suy biến thêm nếu tiếp tục lọc.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Khi phần tử cấu trúc chứa gốc tọa độ, phép mở sở hữu thêm tính phản bành trướng: \u003Cscript type=\"math\u002Ftex\">f \\circ b \\le f\u003C\u002Fscript>, còn phép đóng sở hữu tính bành trướng: \u003Cscript type=\"math\u002Ftex\">f \\le f \\bullet b\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>Bảng so sánh các toán tử hình thái cơ bản\u003C\u002Fh2>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Toán tử\u003C\u002Fth>\n      \u003Cth>Ký hiệu toán học\u003C\u002Fth>\n      \u003Cth>Bản chất biến đổi\u003C\u002Fth>\n      \u003Cth>Tính bành trướng (khi chứa gốc tọa độ)\u003C\u002Fth>\n      \u003Cth>Tính lũy đẳng (Bộ lọc đại số)\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Phép giãn\u003C\u002Ftd>\n      \u003Ctd>Toán tử cộng Minkowski \u003Cscript type=\"math\u002Ftex\">\\oplus\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Cực đại cục bộ\u003C\u002Ftd>\n      \u003Ctd>Bành trướng (khi chứa gốc tọa độ)\u003C\u002Ftd>\n      \u003Ctd>Không lũy đẳng (Toán tử sơ cấp)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Phép co\u003C\u002Ftd>\n      \u003Ctd>Toán tử trừ Minkowski \u003Cscript type=\"math\u002Ftex\">\\ominus\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Cực tiểu cục bộ\u003C\u002Ftd>\n      \u003Ctd>Phản bành trướng (khi chứa gốc tọa độ)\u003C\u002Ftd>\n      \u003Ctd>Không lũy đẳng (Toán tử sơ cấp)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Phép mở\u003C\u002Ftd>\n      \u003Ctd>Toán tử mở \u003Cscript type=\"math\u002Ftex\">\\circ\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Cắt đỉnh sáng cục bộ\u003C\u002Ftd>\n      \u003Ctd>Phản bành trướng (với mọi phần tử)\u003C\u002Ftd>\n      \u003Ctd>Lũy đẳng (Bộ lọc hình thái)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Phép đóng\u003C\u002Ftd>\n      \u003Ctd>Toán tử đóng \u003Cscript type=\"math\u002Ftex\">\\bullet\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Lấp rãnh tối cục bộ\u003C\u002Ftd>\n      \u003Ctd>Bành trướng (với mọi phần tử)\u003C\u002Ftd>\n      \u003Ctd>Lũy đẳng (Bộ lọc hình thái)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Các cấu trúc lọc nâng cao và biến đổi phái sinh\u003C\u002Fh2>\n\u003Cp>Từ các toán tử cơ sở, nhiều kiến trúc bộ lọc hình thái phức hợp và toán tử phát hiện biên đã được phát triển:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Bộ lọc xen kẽ tuần tự (Alternating Sequential Filters - ASF):\u003C\u002Fstrong> Thay vì lọc trực tiếp bằng một phần tử cấu trúc lớn, ASF áp dụng một chuỗi các phép mở và phép đóng đan xen với phần tử cấu trúc có kích thước tăng dần đều. Cấu trúc này {{topic|%7B%22topic%22%3A%22lo%E1%BA%A1i%20b%E1%BB%8F%20nhi%E1%BB%85u%22%7D}} từ thang đo mịn đến thô, duy trì hình dạng hình học mượt mà và giảm thiểu hiện tượng dịch chuyển biên.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Biến đổi Top-hat:\u003C\u002Fstrong> Phép trừ giữa tín hiệu gốc và tín hiệu đã lọc mở tạo ra biến đổi White Top-hat: \u003Cscript type=\"math\u002Ftex\">f - (f \\circ b)\u003C\u002Fscript>, dùng để tách các chi tiết sáng nhỏ trên nền không đồng đều. Ngược lại, biến đổi Black Top-hat: \u003Cscript type=\"math\u002Ftex\">(f \\bullet b) - f\u003C\u002Fscript> dùng để trích xuất các thung lũng tối hẹp.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Gradient hình thái (Morphological Gradient):\u003C\u002Fstrong> Hiệu số giữa phép giãn và phép co: \u003Cscript type=\"math\u002Ftex\">G(f) = (f \\oplus b) - (f \\ominus b)\u003C\u002Fscript>. Cần lưu ý rằng gradient hình thái là một toán tử phát hiện biên cạnh phái sinh chứ không phải là bộ lọc hình thái đại số, vì nó không thỏa mãn tính tăng và tính lũy đẳng. Toán tử này tạo ra các đường bao biên khép kín mà không phụ thuộc vào xấp xỉ đạo hàm vi phân tuyến tính.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ranh giới và hạn chế của bộ lọc hình thái\u003C\u002Fh2>\n\u003Cp>Mặc dù sở hữu nhiều ưu điểm vượt trội trong bảo toàn biên cạnh, bộ lọc hình thái có những giới hạn kỹ thuật cần được cân nhắc kỹ lưỡng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Độ nhạy cảm với hình học và kích thước phần tử cấu trúc:\u003C\u002Fstrong> Hiệu quả của bộ lọc phụ thuộc quyết định vào sự tương thích hình học giữa phần tử cấu trúc và đặc trưng cần xử lý. Một phần tử cấu trúc có kích thước cố định không thể thích ứng đồng thời với các chi tiết có tỷ lệ biến thiên phức tạp trong cùng một bức ảnh.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kém hiệu quả trước nhiễu cộng Gauss:\u003C\u002Fstrong> Khác với bộ lọc trung bình tuyến tính hoặc bộ lọc Wiener vốn tối ưu hóa khử nhiễu Gauss phân bố đều, toán tử tìm cực trị max\u002Fmin của hình thái học có thể bị lệch pha hoặc tạo thành các mảng giả tạo nếu tín hiệu bị ô nhiễm bởi nhiễu trắng mật độ dày.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Méo dạng hình học khi phần tử cấu trúc {{topic|%7B%22topic%22%3A%22b%E1%BA%A5t%20%C4%91%E1%BB%91i%20x%E1%BB%A9ng%22%7D}}:\u003C\u002Fstrong> Nếu phần tử cấu trúc không có tính đối xứng qua gốc tọa độ hoặc không chứa gốc tọa độ, các phép co giãn sẽ gây ra hiện tượng dịch chuyển vị trí trung tâm của đối tượng xử lý.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Độ phức tạp tính toán với phần tử cấu trúc không phân tách:\u003C\u002Fstrong> Khi mở rộng sang {{topic|%7B%22topic%22%3A%22kh%C3%B4ng%20gian%20ba%20chi%E1%BB%81u%22%7D}} hoặc sử dụng các phần tử cấu trúc phi phẳng kích thước lớn, chi phí tính toán tăng nhanh trừ khi phần tử cấu trúc có thể phân tách thành tích Minkowski của các phần tử nhỏ hơn.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Tóm lại, bộ lọc hình thái đại diện cho một bước chuyển đổi mô thức từ giải tích tần số Fourier sang phân tích hình học không gian trong {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20t%C3%ADn%20hi%E1%BB%87u%22%7D}}. Hiểu rõ các tiên đề đại số cùng các giới hạn vật lý của chúng là cơ sở để kết hợp linh hoạt giữa lọc hình thái và các kỹ thuật {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20h%C3%ACnh%20%E1%BA%A3nh%22%7D}} hiện đại.\u003C\u002Fp>","morphological filter",[19,20,21],"bộ lọc hình thái học","lọc hình thái","morphological filtering","Bộ lọc hình thái (tiếng Anh: morphological filter) là một lớp các toán tử xử lý tín hiệu và hình ảnh phi tuyến tính thỏa mãn hai tiên đề đại số về tính tăng và tính lũy đẳng trên cấu trúc lưới, trong đó việc trích xuất và biến đổi hình học của tín hiệu được thực hiện thông qua sự tương tác với một hình mẫu định trước gọi là phần tử cấu trúc.","ENGINEERING_TECHNOLOGY",[25,32,39,43],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":10},"Serra, J. (1986). Introduction to mathematical morphology. Computer Vision, Graphics, and Image Processing, 35(3), 283-305.","Introduction to mathematical morphology","Serra","Computer Vision, Graphics, and Image Processing",1986,"10.1016\u002F0734-189X(86)90002-2",{"citationText":33,"title":34,"authors":35,"source":36,"year":37,"doi":38,"url":10},"Maragos, P., & Schafer, R. W. (1987). Morphological filters--Part I: Their set-theoretic analysis and relations to linear shift-invariant filters. IEEE Transactions on Acoustics, Speech, and Signal Processing, 35(8), 1153-1169.","Morphological filters--Part I: Their set-theoretic analysis and relations to linear shift-invariant filters","Maragos, Schafer","IEEE Transactions on Acoustics, Speech, and Signal Processing",1987,"10.1109\u002FTASSP.1987.1165259",{"citationText":40,"title":41,"authors":35,"source":36,"year":37,"doi":42,"url":10},"Maragos, P., & Schafer, R. W. (1987). Morphological filters--Part II: Their relations to median, order-statistic, and stack filters. IEEE Transactions on Acoustics, Speech, and Signal Processing, 35(8), 1170-1184.","Morphological filters--Part II: Their relations to median, order-statistic, and stack filters","10.1109\u002FTASSP.1987.1165254",{"citationText":44,"title":45,"authors":46,"source":47,"year":37,"doi":48,"url":10},"Haralick, R. M., Sternberg, S. R., & Zhuang, X. (1987). Image Analysis Using Mathematical Morphology. IEEE Transactions on Pattern Analysis and Machine Intelligence, 9(4), 532-550.","Image Analysis Using Mathematical Morphology","Haralick, Sternberg, Zhuang","IEEE Transactions on Pattern Analysis and Machine Intelligence","10.1109\u002FTPAMI.1987.4767941",[50,53,56],{"question":51,"answer":52},"Bộ lọc hình thái khác biệt như thế nào so với bộ lọc tuyến tính truyền thống?","Bộ lọc tuyến tính truyền thống dựa trên phép tích chập số học và lọc tín hiệu theo miền tần số phổ, dễ làm nhòe các biên cạnh đối tượng. Ngược lại, bộ lọc hình thái là toán tử phi tuyến dựa trên lý thuyết tập hợp và đại số lưới, lọc bỏ nhiễu và biến đổi tín hiệu theo hình thái hình học mà vẫn bảo toàn biên cạnh sắc nét.",{"question":54,"answer":55},"Vì sao hai phép toán mở và đóng lại giữ vai trò trụ cột trong lọc hình thái?","Các phép co và giãn đơn thuần làm thay đổi kích thước của đối tượng (thu nhỏ hoặc phóng to). Phép mở (co trước giãn sau) và phép đóng (giãn trước co sau) là các toán tử lũy đẳng và tăng, cho phép loại bỏ nhiễu sáng hoặc tối mà vẫn duy trì kích thước tổng thể của các cấu trúc chính.",{"question":57,"answer":58},"Tính chất lũy đẳng (idempotence) của bộ lọc hình thái có ý nghĩa kỹ thuật gì?","Tính lũy đẳng đảm bảo rằng việc áp dụng bộ lọc lặp lại lần thứ hai không làm thay đổi thêm tín hiệu đã lọc. Điều này giúp bộ lọc loại bỏ dứt điểm các thành phần không mong muốn ngay trong lần quét đầu tiên mà không làm suy hao tín hiệu ở các bước xử lý kế tiếp.",{"id":60,"researcherId":10,"name":61,"imageUrl":62},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":60,"researcherId":10,"name":61,"imageUrl":62},[65,66,67,68,69,70,71,72,73,74],"hình thái học","không gian","nghiên cứu hệ thống","thuật toán","thị giác máy tính","loại bỏ nhiễu","bất đối xứng","không gian ba chiều","xử lý tín hiệu","xử lý hình ảnh",10,true,"PUBLISHED","2025-12-01T09:43:11.795+00:00","2026-09-11T08:11:05.773+00:00","2026-09-11T07:23:38.926+00:00","2026-09-11T08:11:02.994+00:00",0,[84,87,90,93,96,99,102,105,108,111],{"id":85,"title":86,"term":85,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hình thái","Hình thái là gì? Các công bố khoa học về Hình thái",{"id":88,"title":89,"term":88,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":91,"title":92,"term":91,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"matlab simulink","Matlab simulink là gì? Các công bố khoa học về Matlab simulink",{"id":94,"title":95,"term":94,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":97,"title":98,"term":97,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":100,"title":101,"term":100,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":103,"title":104,"term":103,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":106,"title":107,"term":106,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực số","Năng lực số là gì? Các công bố nghiên cứu khoa học liên quan",{"id":109,"title":110,"term":109,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ẩn dụ ý niệm","Ẩn dụ ý niệm là gì? Các nghiên cứu khoa học liên quan",{"id":112,"title":113,"term":112,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực sáng tạo","Năng lực sáng tạo là gì? Các nghiên cứu khoa học liên quan"]