基于多尺度数学形态学特征融合的海洋内波检测算法制造技术

本发明专利技术公开了一种基于多尺度数学形态学特征融合的海洋内波检测算法，包括以下步骤：基于小波变换模极大值的多尺度边缘检测获得多尺度边缘信息；对小波分解后得到的低频子图像使用多尺度形态学检测边缘；再利用连通域的方法抹去面积小的干扰区域；将模极大值多尺度小波边缘检测结果与多尺度形态学边缘检测的结果进行图像融合，最终得到多结构元素多尺度边缘检测图像。与已有的纹理滤波方法相比，本发明专利技术的滤波结果既能很好地保持图像的结构信息，同时又能滤除一些不必要的纹理细节；本发明专利技术提出的结构检测和纹理滤波算法相较己有算法在弱梯度结构的识别和保持以及多尺度、强梯度纹理的抑制和平滑等方面取得了较好的效果。

Marine Internal Wave Detection Based on Multi-Scale Mathematical Morphological Feature Fusion

The invention discloses an internal ocean wave detection algorithm based on multi-scale mathematical morphology feature fusion, which includes the following steps: multi-scale edge detection based on modulus maxima of wavelet transform to obtain multi-scale edge information; multi-scale morphology to detect edges of low-frequency sub-images after wavelet decomposition; and then wiping out small interference areas by using the method of connected region; Maximum multi-scale wavelet edge detection results and multi-scale morphological edge detection results are fused to obtain multi-structure elements multi-scale edge detection images. Compared with the existing texture filtering methods, the filtering results of the present invention can not only preserve the structure information of the image, but also filter out some unnecessary texture details. Compared with the existing algorithms, the proposed structure detection and texture filtering algorithm has achieved better results in the recognition and maintenance of weak gradient structure, the suppression and smoothing of multi-scale and strong gradient texture, etc. \u3002

【技术实现步骤摘要】
基于多尺度数学形态学特征融合的海洋内波检测算法
本专利技术涉及计算机图形学领域，特别是一种基于多尺度数学形态学特征融合的海洋内波检测算法。
技术介绍
传统的边缘检测方法主要是基于图像的一些局部特征来检测图像中的结构信息。例如，sobel算子、Roberts算子和Prewitt算子等一系列梯度算子，主要是通过在灰度图上计算一阶导数来检测边缘。Marr和Hildreth提出了一种先使用高斯函数对图像进行平滑，再使用拉普拉斯算子进行求导，利用过零点来检测边缘，这种方法又被称为LOG(laplacianofgaussian)算子。另外一个比较经典的边缘检测算法是canny算子它将边缘看作是在亮度通道中不连续的像素点，通过非极大值抑制及滞后阈值处理步骤来获取图像的边缘。但是canny算子在检测边缘之前，先要用高斯平滑滤波对整幅图像平滑处理，抑制噪声的同时也模糊了部分结构边缘。而且检测结果对尺度的依赖比较大，对于不同的图像，最优尺度参数往往不尽相同。上述边缘检测方法都是为检测图像中局部边缘设计的，并没有考虑纹理边缘残留，检测结果不清晰。最近的一些边界检测算法结合机器学习的框架引入多个特征输入，如梯度、亮度、纹理、颜色和深度等特征，将图像的边界检测问题看作一个机器学习的分类问题。Martin等人将图像的颜色和纹理作为分类器输入特征，提出一种基于学习的边界响应预测算法Pb。由于边缘响应跟尺度有关，因此一些基于Pb的多尺度边缘检测器也相继被提出。随后，Dollar等人提出BEL算法，主要使用Boosting技术进行边缘和目标边界学习，该算法可以实现特定对象的边界检测，但是过分依赖于训练集。另外，多尺度也是近期研究中提升边缘检测效果的一个策略。Lopez－Molina等人提出了一种使用高斯平滑和边缘跟踪实现多尺度边缘检测的方法。Ren对Pb方法进行了多尺度的扩展，计算了不同尺度上的边缘对比度、位置作为多尺度特征向量，以此作为分类器的输入，训练分类器得到多尺度特征的检测结果，有效提高边界检测的表现。Ren和Bo提出了一种通过计算稀疏编码梯度(SCG)的方法来检测轮廓，算法取得了不错的表现。Ren等人提出使用概率模型对轮廓进行封闭的算法。Jiang等提出了一种使用回归分析和多种特征组合预测超像素边界是否为显著轮廓的方法。Dollar等人提出了快速边缘和轮廓检测方法。Sam和Charles也使用随机森林训练分类器，预测在多个轮廓方向上的对比度。张等人W提出基于朝向对比度的边界检测算法，该模型结合环绕抑制模型和基于机器学习的边界检测模型的优点，使用机器学习的框架，在朝向对比度空间对纹理边缘进行抑制。随着深度学习理论和方法的完善，深度学习也为轮廓检测问题提供了一个很好的思路。Kivinen等人，Maire等人，Bertasius等人和Shen等人分别用深度学习的方法对轮廓检测问题进行了研究，取得了很好的效果。以上基于学习的边界和轮廓检测方法，都是在以像素点为中心的图像块或局部邻域内提取特征，再使用机器学习的方法进行训练分类，预测像素点是否为边界或者轮廓。虽然说检测效果还不错，但是效果太依赖于训练集的选择且训练也比较耗时。数学形态学(MathematicalMorphology)是图像处理中的一门学科，它建立在严格的数学理论基础上，以图像的形态为研究对象的学科。数学形态学诞生于1964年，作为一门新兴的图像处理与分析的学科，以几何学为基础，着重研究图像的集合结构。最初它只是分析集合形状和结构的数学方法。现在它在解决抑制噪声，形状识别，边缘检测，图像分割，纹理分析，图像的恢复与重建，图像压缩等图像处理问题上得到广泛地应用。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学处理图像的方法比其他空域或频域图像处理与分析的方法具有直观上的简单性和数学上的严谨性，但是传统的边缘检测方法中，通常使用Laplace算子、Roberts算子、Sobel算子、Prewitt算子、Gauss-Laplace算子、Canny算子等。这些算法对噪声的干扰十分敏感，导致检测结果不稳定。改进后的多尺度检测算法具有很好的抗噪性，并且检测出的边缘平滑，特征清晰，实时性好。基于数学形态学的边缘信息提取处理优于基于微分运算的边缘提取算法，它不像微分算法对噪声那样敏感，同时提取的边缘比较平滑，在描述信号形态特征上具有独特的优势。既可以有效地滤除噪声，又能够保留图像中的原有细节信息，是边缘检测技术的一个重大突破。在海洋内波及涡旋提取中需根据研究区域情况和实际需要选择合理的方法进行锋面及涡旋的提取，或对提取方法进行改进。此外，阈值的选取是内波和涡旋提取的难点，目前阈值的选取易受主观因素的影响，所选阈值过高会导致海洋环境特征信息存在缺损，阈值过低则会降低海洋环境特征信息定位精度。目前仍没有一种理想的、客观的、自适应程度高的阈值选取方法。因此，海洋环境特征信息提取中合理阈值的选取仍需进行大量的工作和研究。目前已有研究者对海洋环境特征提取中阈值选取方法展开研究，如Bo等人根据图像累计直方图特征对锋面提取阈值进行选取并利用双阈值对锋面进行检测。此外，目前内波提取中应用最广泛的梯度法和Canny算法在算法设计之初均是用于对强边缘(如固体边缘)的提取，研究的对象边缘均很明显。而海洋属于流体，海洋中各水文要素在卫星影像中呈现出弱边缘的特征，即边缘不明显，因此梯度法和Canny算法并不适用于流体边缘的提取。
技术实现思路
本专利技术的目的在于提供一种基于多尺度数学形态学特征融合的海洋内波检测算法。实现本专利技术目的的技术方案为：一种基于多尺度数学形态学特征融合的海洋内波检测算法，包括以下步骤：步骤1，利用小波分解，对检测对象进行分解，得到源图像的高频子图像和低频子图像；步骤2，对小波分解后得到的低频子图像使用多尺度形态学检测边缘；步骤3，对步骤2得到的多尺度形态学边缘检测结果，利用连通域的方法抹去面积小于设定阈值的干扰区域，得到多结构元素多尺度融合后边缘检测图像；步骤4，将模极大值多尺度小波边缘检测结果与多尺度形态学边缘检测结果进行图像融合，最终得到多结构元素多尺度边缘检测图像。本专利技术与现有的技术相比，其显著的优点为：本专利技术将二值化原始图与二值化的腐蚀图像，通过连通域的方法去除干扰区域；然后用原始图像二值图减去腐蚀图像的二值图得到新型多结构形态学边缘检测结果图，算法更方便且高效，有效抹去图像边缘结果的干扰区域，提高了边缘检测的准确性，很好地保留了图像的边缘特征。附图说明图1是本专利技术基于多尺度数学形态学特征融合的海洋内波检测算法流程图。图2是海洋内波原图。图3是模极大值多尺度小波对海洋内波的边缘检测图。图4是多尺度数学形态学对同一张图的边缘检测示意图。图5是多尺度形态学检测后并进行连通域选取示意图。图6是图像融合后的海洋内波结果图。图7是一种canny算子对海洋内波的边缘检测示意图。具体实施方法结合图1，一种基于多尺度数学形态学特征融合的海洋内波检测算法，包括以下步骤：步骤1，利用小波分解，对检测对象进行分解，得到源图像的高频子图像和低频子图像；步骤2，对小波分解后得到的低频子图像使用多尺度形态学检测边缘；步骤3，对步骤2得到的多尺度形态本文档来自技高网...

【技术保护点】
1.一种基于多尺度数学形态学特征融合的海洋内波检测算法，其特征在于，包括以下步骤：步骤1，利用小波分解，对检测对象进行分解，得到源图像的高频子图像和低频子图像；步骤2，对小波分解后得到的低频子图像使用多尺度形态学检测边缘；步骤3，对步骤2得到的多尺度形态学边缘检测结果，利用连通域的方法抹去面积小于设定阈值的干扰区域，得到多结构元素多尺度融合后边缘检测图像；步骤4，将模极大值多尺度小波边缘检测结果与多尺度形态学边缘检测结果进行图像融合，最终得到多结构元素多尺度边缘检测图像。

【技术特征摘要】
1.一种基于多尺度数学形态学特征融合的海洋内波检测算法，其特征在于，包括以下步骤：步骤1，利用小波分解，对检测对象进行分解，得到源图像的高频子图像和低频子图像；步骤2，对小波分解后得到的低频子图像使用多尺度形态学检测边缘；步骤3，对步骤2得到的多尺度形态学边缘检测结果，利用连通域的方法抹去面积小于设定阈值的干扰区域，得到多结构元素多尺度融合后边缘检测图像；步骤4，将模极大值多尺度小波边缘检测结果与多尺度形态学边缘检测结果进行图像融合，最终得到多结构元素多尺度边缘检测图像。2.根据权利要求1所述的基于多尺度数学形态学特征融合的海洋内波检测算法，其特征在于，步骤1小波分解的具体步骤为：选用Db4作为小波函数，对内波图像f(x，y)进行二进小波变换；通过变换系数，得到图像水平和竖直方向的小波变换系数，求出二进小波变换的模值和幅角；由小波变换的模值和幅角，求出模值沿幅角方向的局部极大值点，即图像的边缘点；对边缘点进行连接和取舍，得到低频子图像与高频子图像。3.根据权利要求1所述的基于多尺度数学形态学特征融合的海洋内波检测算法，其特征在于，步骤2对低频子图像使用灰值数学形态学进行边缘检测得到低频图像边缘；具体为：应用不同的结构元素对图像进行边缘检测，通过实体加权融合与信息熵结合的方法对边缘图像进行图像融合，获得单尺度下的边缘检测结果G1；对5个结构元素分别进行...

【专利技术属性】
技术研发人员：张雪禹，刘梦诗，潘海朗，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32