论文部分内容阅读
斑点是图像中灰度或者色彩不变或近似不变,而且区别于周围像素的规则区域。它作为图像的区域特征,包含了丰富的信息,而且对光照变化以及图像扭曲有一定的稳健性,因此多用于图像配准、目标识别及跟踪等领域。而边缘通常对应于图像中感兴趣物体的轮廓,反映了图像中灰度或色彩的剧烈变化。边缘检测也是目标提取和图像分割等应用的基础。虽然斑点及边缘检测方法历经数十年发展已经趋于成熟,但实际应用中仍有些未尝解决的问题,例如检测到的斑点对图像仿射变换的稳健性、噪声情况下的边缘检测问题以及彩色图像中的边缘检测问题等。本文基于各向异性高斯核(Anisotropic Gaussian Kernel,ANGK),提出了仿射不变的斑点检测方法和对脉冲型噪声稳健的彩色图像边缘检测算法。此外,得益于机器学习在融合图像信息方面的显著效果,本文利用神经网络来融合不同参数设置的各向异性高斯方向导数对应的边缘信息,提出了新的彩色图像边缘检测方法。最后,还改进了一种现有的合成孔径雷达(Synthetic Aperture Radar,SAR)图像边缘检测方法。本文主要的研究内容如下:1.为了提高斑点的定位和形状估计精度,结合各向异性高斯核和梯度搜索法提出一种仿射不变的斑点检测方法,以实现亚像素精度的斑点定位和精确的形状估计。该方法包括斑点检测和筛选以及基于梯度搜索的斑点定位和形状估计。在斑点检测和筛选阶段,首先根据特征尺度确定初始检测的尺度范围,接着根据尺度优先准则和重叠率准则筛选掉检测结果中冗余的斑点。在精确定位和形状估计阶段,提出了一种基于各向异性高斯核的斑点测度,该测度使用了五个参数来描述斑点形状,而且具有仿射不变性。之后在五维参数空间中使用梯度搜索法以实现快速、准确的斑点定位及形状估计,该方法的精度不受参数网格的限制。根据梯度搜索法的收敛性还可以自动去掉低质量斑点。在多幅荧光显微镜细胞图像和典型斑点图像上比较了提出的方法和其他几种斑点检测方法,结果表明提出的斑点检测方法比现有方法的定位和形状估计精度更高,而且对数字图像的仿射不变性更强。2.针对现有方法对脉冲型噪声敏感的问题,把各向异性形态学方向导数(Anisotropic Morphological Directional Derivatives,AMDD)推广到彩色图像中,与奇异值分解结合,提出一种基于AMDD的彩色图像边缘检测方法。首先,计算一幅彩色图像三个通道上的AMDD以构造其AMDD矩阵。再对AMDD矩阵进行奇异值分解以及空间和方向匹配滤波,就可以得到图像的彩色边缘强度图和彩色边缘方向图。最后结合非极大值抑制和双阈值决策就得到了对噪声稳健的彩色边缘检测方法。此外,针对缺少带参考边缘标注的彩色图像库的现状,给出一种人工标注参考边缘的方案,构造了一个包含五十幅彩色图像及其对应参考边缘的图像库。在该图像库上的无噪声和几种噪声情况下的检测结果表明,提出的方法不仅能有效检测边缘,而且对脉冲型噪声十分稳健。3.在上述彩色图像库的基础上,提出一种基于神经网络的彩色边缘检测方法,该网络的输入是不同参数的(Anisotropic Gaussian Directional Derivative,ANDD)矩阵对应的边缘强度信息。本章方法由训练阶段和检测阶段组成。在训练阶段,对于每幅训练图像,首先根据不同参数设置计算一组ANDD矩阵,并根据ANDD矩阵的奇异值分解得到一组对应的彩色边缘强度图。对边缘强度图进行重新排列就得到了一个用于训练的特征矩阵,其参考边缘则用作标签。使用所有训练图像的特征矩阵和标签进行训练就得到了一个分类神经网络,其输出为边缘概率图(Edge Probability Map,EPM),其中的每个点代表一个像素是边缘像素的概率。在检测阶段,对一幅待检测图像,首先计算其ANDD矩阵、边缘强度图和边缘方向图;然后将边缘强度图输入训练好的神经网络以得到其EPM;要得到最终的二值边缘检测结果,还需要对EPM进行非极大值抑制和双阈值决策。提出的方法在三个常用的彩色图像库上性能良好,表明神经网络有效融合了不同参数设置的ANDD矩阵对应的边缘信息。4.为了提高SAR图像边缘检测的性能,将现有的方向巴氏系数改进为加权方向巴氏系数,并基于此提出一种改进的SAR图像边缘检测方法。对于一幅SAR图像中的每个像素,首先把中心位于该像素的K个方向上的高斯-伽马形双窗作为权值,计算双窗支撑区域内像素的加权灰度直方图。然后根据加权后的直方图计算K个方向上的加权巴氏系数,在此基础上提取边缘强度图和边缘方向图。最后与非极大值抑制和双阈值决策相结合,就得到了改进的SAR图像边缘检测方法。在三幅真实SAR图像上比较了提出的方法与现有的几种方法,结果表明提出的方法能有效检测SAR图像中的边缘,而且性能比其他方法有明显提升。