數(shù)學(xué)形態(tài)學(xué)方法與隨機(jī)場(chǎng)圖像分割研究.pdf

1、圖像識(shí)別和目標(biāo)檢測(cè)一直是圖像處理領(lǐng)域的關(guān)鍵技術(shù)，其中最為重要的是特征提取和圖像分割，其在理論和應(yīng)用方面都有極高的研究?jī)r(jià)值。因此，本文針對(duì)圖像識(shí)別和檢測(cè)方面的關(guān)鍵技術(shù)--特征提取、圖像分割展開研究，提出了一系列新算法。
　　 在特征提取方面，本文重點(diǎn)研究數(shù)學(xué)形態(tài)學(xué)的特征提取方法。對(duì)特征提取方法中的計(jì)算復(fù)雜性、特征魯棒性和幾何特征屬性展開研究。提出了點(diǎn)結(jié)構(gòu)元和對(duì)稱圓結(jié)構(gòu)元的特征提取方法。在簡(jiǎn)化形態(tài)學(xué)運(yùn)算、增強(qiáng)形態(tài)學(xué)特征表示及不同結(jié)構(gòu)

2、元等價(jià)性等方面做出了貢獻(xiàn)。其中部分結(jié)果在形態(tài)學(xué)運(yùn)算方面具有一定的普遍性，除在特征提取方面具有良好特性，在其它形態(tài)學(xué)方法中也具有較好的適用性。文中通過(guò)理論分析及實(shí)驗(yàn)仿真進(jìn)一步說(shuō)明了本文方法在二值圖像及實(shí)景圖像上的有效性。
　　 在目標(biāo)檢測(cè)識(shí)別方面，本文將Markov隨機(jī)場(chǎng)應(yīng)用于車體檢測(cè)，建立了一種基于各向異性隨機(jī)場(chǎng)的檢測(cè)模型，用于快速識(shí)別高速公路圖像中的車體、提取車體輪廓。新算法在識(shí)別手段上一改傳統(tǒng)的分類識(shí)別方法，采用了基于幾何特

3、征的識(shí)別方法，降低了車體定位的計(jì)算復(fù)雜性，同時(shí)提高了輪廓識(shí)別的準(zhǔn)確性。
　　 在圖像分割方面，本文對(duì)已有的類別自適應(yīng)空間變量混合模型進(jìn)行了改進(jìn)。對(duì)其中Markov隨機(jī)場(chǎng)的收斂問(wèn)題進(jìn)行了深入探討，分析了此算法對(duì)初值設(shè)定敏感性的原因，提出了一種新的空間變量混合模型。新模型在算法收斂穩(wěn)定性上有明顯提高，同時(shí)具有較好的靈活性，可以根據(jù)輸入圖像類型及任務(wù)類型設(shè)定分割平滑的程度，在圖像處理中更具實(shí)際意義。除穩(wěn)定性外，本文還研究了空間變量混和

4、模型中隨機(jī)場(chǎng)的類型問(wèn)題。提出了使用非齊次Markov場(chǎng)的自適應(yīng)模型，使新算法在分割過(guò)程中可以分區(qū)域自適應(yīng)估計(jì)模型參數(shù)，對(duì)多目標(biāo)圖像的分割具有良好的實(shí)用性。在分區(qū)域估計(jì)模型參數(shù)的基礎(chǔ)上，本文還研究了Markov隨機(jī)場(chǎng)形態(tài)學(xué)參數(shù)估計(jì)方法。借助形態(tài)學(xué)對(duì)區(qū)域圖像的形狀分析能力，在分割過(guò)程中分析中間結(jié)果的區(qū)域特性，進(jìn)而判別區(qū)域并估計(jì)參數(shù)。此方法在特定對(duì)象區(qū)域分析方面較之一般隨機(jī)場(chǎng)方法具有良好的特性。
　　 文中通過(guò)形式化描述及分析論證了對(duì)