一种数学形态学自适应结构元素构造方法技术

本发明专利技术公开了一种数学形态学自适应结构元素构造方法，属于结构元素构造方法技术领域，该方法首先利用邻域灰度差变化矢量场对图像局部进行平滑使得图像目标内部具有相似灰度，然后通过定义基于相对密度的边界度函数判定该局部区域的中心像素点是否为边界点，自适应结构元素由局部区域的判定出的所有强边界点构成。以此自适应结构元素为基础，依据经典形态学运算原理构造了自适应形态学膨胀和腐蚀以及相关衍生运算。其有益效果在于：采用该自适应结构元素对图像进行形态学运算，能够有效抑制目标物边界轮廓定位偏移现象的发生，保持了目标区域边界轮廓定位的准确性，并且在削弱图像细节的同时，保留了图像的其他有效信息，降低了图像的失真程度。降低了图像的失真程度。降低了图像的失真程度。

【技术实现步骤摘要】
一种数学形态学自适应结构元素构造方法


[0001]本专利技术属于结构元素构造方法
，涉及一种数学形态学自适应结构元素构造方法，尤其涉及一种基于邻域灰度差变化矢量场和相对密度的形态学自适应结构元素构造方法。

技术介绍

[0002]数学形态学是一种基于集合、积分几何及网格代数的分析图像几何结构特征的理论，其利用具有一定形状和大小的结构元素对图像中的像素点逐个遍历并进行形态学运算，实现图像结构分析和特征提取等处理。对图像进行形态学运算，能够在保持图像目标几何结构特性不变的情况下，去除图像中的不相干结构，简化图像数据，有效提取图像目标的形状及结构等非线性特征。但在实际应用中，由于图像目标内容复杂多样，目标形状、大小及方向各不相同，经典形态学运算采用形状和大小固定的结构元素对图像进行处理，容易导致图像中目标特征信息产生改变，如目标边界轮廓定位发生偏移、出现新的人为目标或小目标丢失等。因此，根据图像局部特征属性构造形状和大小可变的自适应结构元素是抑制经典形态学运算引起图像目标特征信息变化的关键。
[0003]近年来，学者们提出了多种自适应结构元素构造方法，大体分为以下三类：第一类，形状随图像局部特性自适应变化的结构元素构造方法；第二类，大小随图像局部特性自适应变化的结构元素构造方法；第三类，形状与大小均随图像局部特性自适应变化的结构元素构造方法。由此可知，构造自适应结构元素的方法主要依据图像相邻像素局部相似特性或图像边缘特性，其中，基于相似特性构造的结构元素具有较好的区域适应性及较强的噪声抑制能力，而基于边缘特性构造的结构元素能够最大限度的保持图像目标的几何结构特性，降低图像目标结构细节失真。

技术实现思路

[0004]本专利技术的目的在于针对现有技术中存在的缺陷，提供了一种基于邻域灰度差变化矢量场和相对密度的形态学自适应结构元素构造方法，构造的结构元素能够根据图像的灰度及边缘特征自适应的改变形状，能够有效抑制目标物边界轮廓定位偏移现象的发生，保持了目标区域边界轮廓定位的准确性，并且在削弱图像细节的同时，保留了图像的其他有效信息，降低了图像的失真程度。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种数学形态学自适应结构元素构造方法，包括以下步骤：
[0007]S1：构造两个3
×
3大小的掩膜SE与M；
[0008]S2：以原始图像f(3,3)作为SE的中心像素点在原始图像中选取的3
×
3子区域记为Q
SE
，SE用于构造自适应结构元素；
[0009]S3：以Q
SE
中的第一个像素点作为M的中心像素点在原始图像中选取3
×
3子区域记为Q
M
，M用于检测Q
SE
中的所有像素点是否为边界点；
[0010]S4：利用基于邻域灰度差变化矢量场方法对Q
M
进行平滑处理；
[0011]S5：利用基于相对密度的边界度函数判定Q
M
的中心像素点是否为边界点；
[0012]S6：将M进行距离为单位像素的平移，获取新的3
×
3子区域Q
M
，并进行S4与S5的运算，直到Q
SE
中的所有像素点完成边界点判定为止，Q
SE
中判定出的所有强边界点构成了结构元素T
SE
；
[0013]S7：将SE进行距离为单位像素的平移，获取新的3
×
3子区域Q
SE
，并进行步骤S3至步骤S6的运算，直到原始图像中的所有像素点遍历分析完成为止，获取的全部结构元素T
SE
的集合构成了所需的自适应结构元素。
[0014]所述步骤S4中利用基于邻域灰度差变化矢量场方法对Q
M
进行平滑处理的具体过程如下步骤：
[0015]S401：在选取的3
×
3大小的图像子区域Q
M
中，以中心像素点为基准，依次计算其邻域每个像素点与中心像素点的灰度差，记为g(x
±
k,y
±
k)(k＝0,1)，构成3
×
3大小邻域灰度差矩阵；
[0016]S402：对获取的邻域灰度差序列进行4个方向上的灰度采样，获取邻域灰度差变化矢量，其中该矢量用a
i
(i＝0,1,2,3)表示，计算如下：
[0017][0018]S403：相互正交邻域灰度差变化矢量可以作为区分目标边缘与目标内部的重要依据，计算出邻域灰度差变化矢量后，其正交差异对和最小正交差异对定义如下：
[0019][0020]v＝min|d0,d1|
ꢀꢀ
(3)
[0021]其中，d0为0与2方向的正交差，d1为1与3方向的正交差，v为最小正交差；
[0022]S404：依据最小正交差异对，获取图像平滑处理所需阈值，该阈值根据各个子区域Q
M
的最小正交差异对的不同自适应变化；
[0023]若最小正交差异对值为d0，则阈值τ为0方向与2方向所有邻域灰度差值之和与0方向与2方向邻域灰度差值不为零的元素的个数总和的商；若最小正交差异对的值为d1，则阈值τ为1方向与3方向所有邻域灰度差值之和与1方向与3方向邻域灰度差值不为零的元素的个数总和的商；若最小正交差异对的值为d0＝d1，则阈值τ为4个方向所有邻域灰度差值之和与4个方向邻域灰度差值不为零的元素的个数总和的商；
[0024]S405：利用获取的自适应阈值，对子区域进行平滑处理，计算该子区域Q
M
每个像素点与中心像素点的灰度差值并于阈值τ进行比较，若差值小于或等于阈值τ，则判定该像素与中心像素相似，该点像素的灰度值由中心像素点的灰度值代替，否则其灰度值保持不变。
[0025]所述步骤S5中边界点具体判断过程如下：
[0026]S501：灰度值赋值：将平滑处理后子区域Q
M
中的所有像素点的灰度值重新赋值，即：灰度值等于中心像素点灰度值的像素点赋值为1，其余像素点赋值为0；
[0027]S502：定义边界度函数：为了判断3
×
3子区域Q
M
像素密度分布的聚集程度，以3
×
3子区域Q
M
中心点像素为基点按照方向的不同，由左上、右上、左下、右下像素构成的大小为2
×
2的掩膜及0方向与2方向像素、1方向与3方向像素构成的掩膜，如图4所示，记为S
i
(i＝1,2,3,4,5,6)，依据分类归纳法定义边界度函数，其表达式为：
[0028][0029]式中：D
M
为子区域Q
M
的密度，是3
×
3子区域中灰度值为1的像素点个数之和称；D
i
(i＝1,2,3,4,5,6)为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数学形态学自适应结构元素构造方法，其特征在于，包括以下步骤：S1：构造两个3
×
3大小的掩膜SE与M；S2：以原始图像f(3,3)作为SE的中心像素点在原始图像中选取的3
×
3子区域记为Q
SE
，SE用于构造自适应结构元素；S3：以Q
SE
中的第一个像素点作为M的中心像素点在原始图像中选取3
×
3子区域记为Q
M
，M用于检测Q
SE
中的所有像素点是否为边界点；S4：利用基于邻域灰度差变化矢量场方法对Q
M
进行平滑处理；S5：利用基于相对密度的边界度函数判定Q
M
的中心像素点是否为边界点；S6：将M进行距离为单位像素的平移，获取新的3
×
3子区域Q
M
，并进行S4与S5的运算，直到Q
SE
中的所有像素点完成边界点判定为止，Q
SE
中判定出的所有强边界点构成了结构元素T
SE
；S7：将SE进行距离为单位像素的平移，获取新的3
×
3子区域Q
SE
，并进行步骤S3至步骤S6的运算，直到原始图像中的所有像素点遍历分析完成为止，获取的全部结构元素T
SE
的集合构成了所需的自适应结构元素。2.根据权利要求1所述的一种数学形态学自适应结构元素构造方法，其特征在于：所述步骤S4中利用基于邻域灰度差变化矢量场方法对Q
M
进行平滑处理的具体过程如下步骤：S401：在选取的3
×
3大小的图像子区域Q
M
中，以中心像素点为基准，依次计算其邻域每个像素点与中心像素点的灰度差，记为g(x
±
k,y
±
k)(k＝0,1)，构成3
×
3大小邻域灰度差矩阵；S402：对获取的邻域灰度差序列进行4个方向上的灰度采样，获取邻域灰度差变化矢量，其中该矢量用a
i
(i＝0,1,2,3)表示，计算如下：S403：相互正交邻域灰度差变化矢量可以作为区分目标边缘与目标内部的重要依据，计算出邻域灰度差变化矢量后，其正交差异对和最小正交差异对定义如下：v＝min|d0,d1|
ꢀꢀꢀꢀꢀꢀ
(3)其中，d0为0与2方向的正交差，d1为1与3方向的正交差，v为最小正交差；S404：依据最小正交差异对，获取图像平滑处理所需阈值，该阈值根据各个子区域Q
M
的最小正交差异对的不同自适应变化；若最小正交差异对值为d0，则阈值τ为0方向与2方向所有邻域灰...

【专利技术属性】
技术研发人员：房超，王小鹏，
申请(专利权)人：房超，
类型：发明
国别省市：