數(shù)學形態(tài)學方法與隨機場圖像分割研究.pdf

1、圖像識別和目標檢測一直是圖像處理領(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價值。因此，本文針對圖像識別和檢測方面的關(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，本文重點研究數(shù)學形態(tài)學的特征提取方法。對特征提取方法中的計算復雜性、特征魯棒性和幾何特征屬性展開研究。提出了點結(jié)構(gòu)元和對稱圓結(jié)構(gòu)元的特征提取方法。在簡化形態(tài)學運算、增強形態(tài)學特征表示及不同結(jié)構(gòu)

2、元等價性等方面做出了貢獻。其中部分結(jié)果在形態(tài)學運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)學方法中也具有較好的適用性。文中通過理論分析及實驗仿真進一步說明了本文方法在二值圖像及實景圖像上的有效性。
　　 在目標檢測識別方面，本文將Markov隨機場應(yīng)用于車體檢測，建立了一種基于各向異性隨機場的檢測模型，用于快速識別高速公路圖像中的車體、提取車體輪廓。新算法在識別手段上一改傳統(tǒng)的分類識別方法，采用了基于幾何特

3、征的識別方法，降低了車體定位的計算復雜性，同時提高了輪廓識別的準確性。
　　 在圖像分割方面，本文對已有的類別自適應(yīng)空間變量混合模型進行了改進。對其中Markov隨機場的收斂問題進行了深入探討，分析了此算法對初值設(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、模型中隨機場的類型問題。提出了使用非齊次Markov場的自適應(yīng)模型，使新算法在分割過程中可以分區(qū)域自適應(yīng)估計模型參數(shù)，對多目標圖像的分割具有良好的實用性。在分區(qū)域估計模型參數(shù)的基礎(chǔ)上，本文還研究了Markov隨機場形態(tài)學參數(shù)估計方法。借助形態(tài)學對區(qū)域圖像的形狀分析能力，在分割過程中分析中間結(jié)果的區(qū)域特性，進而判別區(qū)域并估計參數(shù)。此方法在特定對象區(qū)域分析方面較之一般隨機場方法具有良好的特性。
　　 文中通過形式化描述及分析論證了對