[發明專利]一種利用多尺度多結構元素高帽選擇變換的線性特征提取方法

在審

• 申請號: 201310743430.8
• 申請日: 2013-12-30
• 公開（公告）號: CN103679176A
• 公開（公告）日: 2014-03-26
• 發明（設計）人: 白相志;張余;周付根
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/46
• 分類號: G06K9/46
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

技術領域

本發明涉及一種利用多尺度多結構元素高帽選擇變換的線性特征提取方法，屬于數字圖像處理領域，主要涉及數學形態學和線性特征提取技術。在各類基于圖像的應用系統中有廣闊的應用前景。

背景技術

線性特征是圖像的重要特征。特征提取技術是圖像分析和模式識別相關應用的重要技術，例如：圓或橢圓檢測、角點檢測以及目標檢測等。其中，線性特征提取技術通常能夠為不同的圖像處理應用提供更多的有用信息，如生物工程和工業工程等。但是，圖像中的線性特征通常具有不同的寬度、長度，并且對比度非常低。因此，圖像中線性特征的自動檢測技術是非常困難的。

為了有效地提取圖像中的線性特征，研究者提出了不同的方法。雷頓變換(參見文獻：張等，利用雷頓變換精確檢測中心線并估計線條的寬度，美國電子電氣工程師協會圖像處理匯刊，16(2)(2007)310–316。(Qiaoping?Zhang,Isabelle?Couloigner.Accurate?centerline?detection?and?line?width?estimation?of?thick?lines?using?the?Radon?transform.IEEE?Transactions?on?Image?Processing16(2)(2007)310–316.))和霍夫變換(參見文獻：查等，用于線性特征檢測的擴展霍夫變換，模式識別，39(2006)1034–1043。(J.Cha,R.H.Cofer,S.P.Kozaitis.Extended?Hough?transform?for?linear?feature?detection.Pattern?Recognition39(2006)1034–1043.))被廣泛應用于圖像的線性特征的提取中，但這兩種方法通常只能用于提取圖像中具有特定形狀的線性特征，如直線、圓、橢圓等。而在大多數的應用中，線性特征可能具有任意的形狀。而最短路徑方法(參見文獻：孫等，基于約束擴展的網格的圖像多路徑提取方法，美國電子電氣工程師協會模式分析和機器智能匯刊，27(12)(2005)1923-1933)。(C.Sun,B.Appleton.Multiple?paths?extraction?in?images?using?a?constrained?expanded?trellis.IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence,27(12)(2005)1923-1933))可以很好地提取任意形狀的線性特征，但是擴展最短路徑方法提取多種形狀的線性特征是非常困難的。坎尼算子(參見文獻：坎尼，邊緣檢測計算方法，美國電子電氣工程師協會模式分析和機器智能匯刊，8(1986)679–698。(J.Canny,A?computational?approach?to?edge?detection.IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence8(1986)679–698.))和大津閾值方法(參見文獻：大津，一種從灰度直方圖選取閾值的方法，美國電子電氣工程師協會系統、人與控制匯刊，9(1)(1979)62–66。(N.Otsu.A?threshold?selection?method?from?gray-level?histograms.IEEE?Transactions?on?Systems,Man,and?Cybernetics9(1)(1979)62–66.))是經常使用、并且非常有效的線性特征提取方法。這兩種方法可以提取具有任意形狀、任意長度、任意寬度和任意對比度線性特征，但是，這兩種方法對噪聲和灰度分布非常敏感。基于脊波(參見文獻：姜等，基于復數脊波變換的線性特征提取方法，磨損，264(2008)428–433。(X.Jiang,W.Zeng,P.Scott,J.Ma,L.Blunt,Linear?feature?extraction?based?on?complex?ridgelet?transform,Wear264(2008)428–433.))和曲波(參見文獻：張等，基于曲波和局部互聯神經網絡的手指靜脈多尺度特征提取方法，模式識別國際會議，香港，2006，145-148頁。(Z.Zhang;S.Ma;X.Han,Multiscale?feature?extraction?of?finger-vein?patterns?based?on?curvelets?and?local?interconnection?structure?neural?network,International?Conference?on?Pattern?Recognition,Hong?Kong,2006,pp.145–148.))的方法在一些情況下可以很好地提取線性特征，但是算法的性能會受一些細節以及低對比度線性特征的影響。基于多方向的非極大值抑制方法(參見文獻：孫等，基于多方向的非極大值抑制的快速線性特征檢測方法，電子顯微學報，234(2)(2009)147–157。(C.Sun,P.Vallotton.Fast?linear?feature?detection?using?multiple?directional?non-maximum?suppression.Journal?of?Microscopy234(2)(2009)147–157.))在不同應用的多線性特征提取中體現出了非常好的優越性。然而，不清楚的線性特征和圖像噪聲會在最終提取的線性特征中產生噪聲區域。數學形態學運算(參見文獻：索愛黎，形態學圖像分析：原理與應用，施普林格出版社，德國，2003。(P.Soille,Morphological?image?analysis-principle?and?applications,Springer,Germany,2003.)；塞拉，圖像分析和數學形態學，學術，紐約，1982。(J.Serra,Image?analysis?and?mathematical?morphology.Academic,New?York,1982.))是一類非常有效的圖像特征提取方法，尤其是高帽變換方法(參見文獻：白等，新型高帽變換分析及其在紅外小目標檢測的應用，模式識別，43(6)(2010)2145–2156。(X.Bai,F.Zhou.Analysis?of?new?top-hat?transformation?and?the?application?for?infrared?dim?small?target?detection.Pattern?Recognition43(6)(2010)2145–2156.))。并且，高帽變換(參見文獻：白等，基于多結構元素高帽變換的線性特征檢測，信號處理國際會議，北京，中國，2010，877-880頁。(X.Bai,F.Zhou.Multi?structuring?element?top-hat?transform?to?detect?linear?features.International?Conference?on?Signal?Processing,Beijing,China,2010,pp.877–880.))已經被很好地用于多線性特征的提取中，但是，通常需要后處理才能將低對比度的線性特征和噪聲區域抑制掉。