（信息与通信工程专业论文）基于数学形态学的目标检测.pdf

聱耱秘学授术大学臻究生院学链谂支 摘要 图像目标的检_ i 翼4 是一项理论意义与实用价值滚备的课题，可以广泛应用于围防与 国民经济建设的诸多领域。传统的线性和统计理论已经不熊满足新的目标检测的需 求。数学形态学楚耱 线淫蚕豫绩譬楚理帮分辑理论，在把握萋号中的死 莓臻褥售 息上具有相当优辨，符合人类的感知系统，因此日前已经受到了越来越广泛的熏视， 并得到了迅速的发展。因此，本论文在系统地总结了数学形态学的基本理论及其在目 标硷溺孛懿应用瓣基醚土，疆究了嚣豁捡溺爱涉及懿蔻令关键技术：黼馕将薤摄取、 目标建模和检测簿法设计。 程豳像特征提取的研究中，提出了两种基于数学形态学的特征提取方法：一是组 合多静络稳元素瓣形态学边缘提取算法，其舂露辩确定边缘精度嚣方辩的能力，褥虽 检测精度高，运算速度快，抗噪性强。二是基于“击中数”的角点提取算法，可以在 二值图像和灰度图像中提取角点，具礴检测准确度高、抗噪性能好、计算量小和硬件 实瑶方畿等饶点。 在形状建模和检测的研究中，提出了一种基于形态学形状分解的形状描述算法； 在此黎础上，通过样本学习，得到模糊关系属性躜作为形状模型；根搬该模型，提出 了一种基于部分的层次式形状检测方法。上述形状攒述冀法符合天炎豹视觉惑知系 统，有利于构建圜标检测算法。形状建模和检钡0 辣法与一般方法相比，具有鲜明的特 点，即不需要先提取形状再与可能的目标模型匹配，两是采用分部分和分层次的处理 愚怒，依次在鹜像中援素形状懿各个缀缓帮分，囊筵据套了梭溺貔耩发寝效率，减夺 或消除了复杂背景、部分遮挡和目标内部组成部分旋转的影响，同时w 以实现并行处 理。 在多值圈缘强标裣涮的研究孛，鬟逛了一静条件渣洪策晤来褐建多值形态学隆睬 检测框架，将各种目标检测任务统一到一个框架下，具有一定的普适性；同时给出了 两种具体实现算法：局部条彳牛泄洪法葺n 基于遗传算法的全局条件泄洪法，还进一步考 虑了它髑与多分辨率分辑耪缝合豹实现方法。论文分辑 e 鞍了在擎分辨率和多分辨率 下，局部优化和垒局优化方法的性能，给出了相_ 呶的结论。将所提出的检测框架用于 两个具体实例：二维灰度图像目标检测和序列图像运动检测，实验结果初步证实了方 法的裔散淫襄可扩震往。 将论文提出的各种方法分别用于模拟数据或真实图像数据，都获得了较为满意的 实验缭襞。 关键掌；数学形态学，目标襁溯，边缘攫取，角点搓取，形态学形状分解，形状滤横， 形状榱测，运动榱测 第1 页 国防科学技术大学研究生院学位论文 a b s t r a c t i m a g eo b j e c td e t e c t i o ni sat a s kv a l u a b l ef o rb o t ht h e o r e t i c a lr e s e a r c ha n dp r a c t i c a l u s a g e ，a l l di ss e r v e dt om a n yf i e l d so fd e f c n s ea sw e l la sc i v i le c o n o i n i cc o l l s t r u c t i o n t h e t r a d i t i o n a ll i n e a ra n ds t a t i s t i c a lt h e o r i e sc a nn 0l o n g e rs a t i s f yt h en e e d so fa d v a n c e do b j e c t d e t e c t i o n m a t h e m a t i c a l r p h 0 1 0 9 yi san o n l i n e a rt h c o r yf o rj m a g e 姐ds 蟾n a la n a l y s i sa i l d p r o c e s s i n g ，w h i c hc a i le s t i m a t em a n yi n f o r m a t i o no ft h eg e o m e t r i c a ls t m c t u r ei nt h es 蟾n a l a n dc o n c u r sw “ho u ri n s t i n c t i v ep e r c e p t u a ls y s t e m f 0 rt l l i sr e a s o n ，i th a sb e e np a i dm o r e a n dn l o r ea t t e m i o n sa n dd e v e l o p e dr a p i d iy i nt h i sp a p e m a i nw o r k sn e e d e db ya no b j e c t d e t e c t i o ns y s t e ma r ed e 。p l yr e s e a r c h e db a s e do nat h o r o u g hi n v e s t 蟾a t i o no ft h eb a s i c t h e o r i e so fm a t h e m a t i c a lm o r p h 0 1 0 9 ya n dn sc u r r e n tu s a g e s 讪o b j e c td c t e c t i o n t h em a i n w o r k si l l c l u d ei m a g ef c a t l l r ee 】【t r a d i o n ，o b j e c tm o d e l i n g ，a i l dd e t e c t i o na l g o r i t h m f o rj 堋a g ef e a t i l r ee ) 吐r a c n o n ，t 、v of e a t u r ee x t r a c t i o nm e t h o d sb a s e do nm a t h e m a t i c a l m o r p h 0 1 0 9 ya r ep r o p o s e d o n ei s am o r p h 0 1 0 9 j c a le 屯ee m r a c t i o na l g o 血h mb yu s i n g m u l t i p l es t r u c t u r ee l e m e n t s ，w h i c hc a na c h i e v eb o t ht h ee d g em a g n n u d ea n do f i e n t a t i o t l ， a n di sp r e c i s e ，q u i c k ，a n di m m u n ct on o i s e t h eo t h e ro n ei sam o r p h 0 1 0 9 i c a lc o m e r e 对r a c t j o na 培o r j t h mb a s e d0 nt b e “h i l n u m b e r ，w h j c bj s5 u i t a b 】et ob o t hl h eb i n a r ya n dt b e 掣a y - s c a l ei m a g e s t h ea 培o m h mh a sl l i 曲d e t c c t i o na c c u r a cy s t r o n gn o i s er e s t r a i l l i n g a b i l n y ，a n di ss i m p l ei nc a k u l a t i o na 1 1 de a s yt ob er e a l i z e do nh a r d w a r e f 0 rs h 印em o d e l i n ga l l d d e t e c t i o n ， as h a p er e p r e s e m a t i o n a k o r i t h mb a s e do n m o r p h 0 1 0 9 i c a ls h a p ed e c o m p o s i t i o ni sp r o p o s e d b a s e do nt h cd e c o m p o s i t i o ns c h e m e ，w e c o m t 八l c taf l l z z ya t t r i b u t e dr e l a t i o n a l 伊a p hb yl e a r n i n g 丘d mt r a i l l i n ge x a m p l e s 髂t h e s h a p em o d e l a1 1 i e r a r c h i c a lp a r t - b a s e ds h a p ed e t e “o na l g o r i t h mi sd e v e l o p e db a s e do n s u c ham o d e l t h es h 印er e p r e s e m a t i o na 培o r i t h mc o n c u r sw i t ho u ri n s t i n c t i v ep e r c e p t u a l s y s t e i n a i l di ss u i t a b l ef o r n s t 邝c t i n gt h ed e t e c t i o na 培o r i t h m c b q 埘e dt oo t h e rs h a p e m a t c h i n ga l g o r i l h m s ，o u rs h a p em o d e l i n ga n dd e t e c i i o na 培o r i t h mh a sd i s t i i l g l l i s h i n g f e a t u r e s o u rp a n - b a s e da n dh i e r a r c h i c a ls t r a t e g yf h l d se a c hp a r to ft h es h a p es e q u e m i a l l y ， r a t h e rt b a ne 硪r a c t i n ga 1 1s h a p e s 怕mt h ei m a g et om a t c hw i t ht h 。p o s s i b l es h a p em o d e l s i t c a i li m p r o v et h ea c c u r a c ya n ds p e e dt h ed e t e c t i o np r o c e s s i n 舀a 1 1 dc a nh e l pt or e d u c eo r e l i m i n a t et h ee f e e c t so fb a c k g r o u n dc l u t t e r s ，p a r t i a lo c c l u s i o n sa n di n n e rm t a t i o ni nt h c o b j e c t i tj sa l s oe a s yi np a r a l l e lf o r mr e a l i z a t i o n f 0 rm l l i v a l u e di m a g eo b j e c td e t e c t i o n ，a s t r a t c g yc a l l e dc o n d i t i o 衄lf 1 0 0 d i n gi s p r o p o s e dt od e v e l o pag e n e r a lm u n i v a l u e dm o r p h 0 1 0 9 i c a lo b j e c td c t e c t i o n 丘a m e w o r k ，i n w h i c hd i e r e n to b j e c td e t e c t i o nt a s k sa r eu n i f ：i e d 1 、o a l g o r i t h m s a r ep r o p o s e dt o i m p l e m e mt h ec o n d i t i o n a ln o o d i n g ，i t l c l u d i n gt h e1 0 c a lc o n d i t i o n a lf l o o d i n ga n dt h c9 1 0 m 第页 国防科学技术大学研究生院学位论文 o n eb a s e do ng e n e t i ca l g o r i t h m t h ec o m b i n a t i o nw i t h 舢n i r e s 0 1 u t i o n 锄a l y s i so ft h ct w o a l 卫o r n h m si sa l s od j s c u s s e d t h el o c a la n d9 1 0 b a lo p t i m i z a t i o nu n d c rt h es i n g l c r e s 0 1 u t i o n a n dm u l t i r e s o l u t i o nr e s p e c t i v e l ya r ea n a l y s e da n dc o m p a r e d t h ep c r f 0 珊a n c eo ft h e 丘a m e w o r ki sd c m o n s t r a t e db yt w os p e c i a la p p l i c a t i o n s ：o b j e c td e t e c t i o nf o r2 dg r 8 yi m a g e ， m o t i o nd c t e c t i o nf o ri m a g es 。q u e n c e s t h ee x p e r i m e m a lr e s u n ss h o wt h ee 丘k i e n c ya n d e x t e n s i b i l i t yo ft h e 丹a m e w o r k o u ra p p r o a c h c sa r ea p p l i e dt ob o t hs y n t h e t i ca n dr c a l i m a g e s ，a n ds a t i s f 沁t o r yr e s u n s a r eo b l a i n e d k e y w o r d s ：m a t h e m a t 王c a lm o r p h o l o g y ，o b j c c td e t c t i o n ，e d g ed e t e c t i o n ，c o r n e r d e t 盹t i o n ，m o r p h o l o g i c a ls h a p ed e c o m p o s i t i 仰，s h a p em o d e n g ，s h a p ed e t e c t i o n ， m o t i o nd e t e c t j o n 第i 页 独创性声明 本人声臻黪呈交迭学位论文燕我本人丧导疼指导下述褥戆磺究工律及取 昙 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他入已经发表和撰写过的研究成架，也不包含为获得园防科学技术大学或其它 教育枧梅的学位或证书簌使用过的材料。与我一恩工作灼同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意。 学位论文趱嚣：叁至邀堂受签堂鳖暨整建烫 学位论文作者签名：彳! 鹩日期：矽盯年肛月p 日 学位论文舨权使用授权书 本人完全了解国跨辩学技术大学有关缳甏、使用学位论文戆规定。本人授权 国防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子 文档，允许论文被查阅和借阅；可以将学位论文的全部戏部分内容编入有关数据 库送行检索，可茨采惩影漆、臻印畿扫撵等复裁手爱傣存、汇缡学位论文。 ( 保密学位论文在解密后适用本授权书。) 学位论文趱哥：叁王墼堂蒸蠢望煎置攒擅煎 学位论文作者签名：堑! 煎b 期：功年fz 兵，。匿 作者指导教师签名日期：? ，“y 年f 2 胡，口日 堕堕跫兰蔓查茎翌盟茎圭堕鲎垡笙茎 图表滔录 豳1 1 传统目标检测的潺本步骤 表2 1 多蠖强缘一 图2 1h m t 图例 图2 2t 0 p - h a t 变换图例 黧2 1 3 m s 黼示意盈 3 1 3 1 9 图3 一l 边缘灰度变化的几种类型，2 4 图3 - 2 四个方向的结构元素2 8 嚣3 3 二毽潮像逮缘摄取缍采。3 e 蹦3 4 二值阐像添加椒盐噪声的边缘提取结祭( 2 0 ) 3 1 图3 5 灰度图像的的边缘提取结果3 1 图3 6 荻度弱像热高欺噪声豹边缘挺取结暴( o ：s 0 ) 圈3 7 角点检测算法簸理图3 5 图3 8 结构元素b 3 6 图3 1 9 二毽图像角点撼取实验结果，3 6 图3 1 0 二值图像热椒赫嗓声的角点提取结聚( 2 0 ) 3 6 图3 一1 1 灰度图像角点提取的测试结果3 7 图3 一控加赢斯噪声的测试结果( a = 8 0 ) 3 7 圈4 ，1 营黎示意图4 l 图4 2m s d 示意图4 2 图4 3 形态学形状的凸榘分解4 3 图4 0 模援黼像静分解。4 5 圈4 5 茶壶图像的分解4 6 图4 6 飞机圈像的分解4 6 鹜4 7 重叠王其静分解+ 4 6 图4 _ 8 受噪声污染的图像分解4 6 图4 9 结构熬元4 7 簦4 一 0 逗遥寝示弱镊予嚣 图4 1 1 分别用四种算法熏构得到的茶壶( 用前四个子部分) 5 l 表4 ，l 表示误差率的比较5 l 表4 - 2 子部分数嚣静魄较。5 l 表4 3 表示代价的比较( b i t s ) 5 1 表4 4 运行时间的比较( 曲5 1 爨4 1 2 二餐澎竣建模与捡测框豳5 2 图4 一1 3 手形状训练样本集的实验5 5 第试舞 蛰防羲学技术夫学研究生院学往谂文 图4 1 4 形状检测过程示例5 7 圈4 一1 5 手形状梭溅5 8 图4 1 6 飞机检测5 9 图4 1 7 三个算法的r o c 曲线6 0 蓬5 1 二维荻夔分本羚变换示意蓬6 3 图5 2r a g 示例 图5 ，3 多值图像目标检测系统框架 强5 - 4 麓熬条搏浚洪法滚程霾 6 5 6 5 7 0 图5 ，5 遗传算法目标检测算法框图7 2 图5 6 个体的数据结构7 3 图5 7 多分辨攀餐标捡测攘圈。7 6 图昏l 细胞图像训练样本s l 图6 ，2 细胞图像的分水岭变换8 2 图6 - 3 缨胞图像黥舄部条转泄洪。8 3 图6 - 4 细胞图像的遗传算法检测结果9 3 图6 ，5 多分辨率目标检测，8 4 图6 巧汽车图像的测试结聚 圈昏7 入脸检测的部分实验结果8 6 表6 1 目标检测髀法的性能比较8 6 图6 - 8 用户提取的目标模扳8 8 霞6 尊输入图豫静形态小波变换s 9 图6 一1 0 多分辨目标检测的处理过程9 1 图6 1l l a i f ；e ”序列的实骏9 3 匿6 1 2 “t f a 受e ”序襄的实验舛 图6 1 3 t 曲i e t e n n i s ”序列的实验9 5 图6 1 4 “b r e 锄”序列的实验9 5 第i v 页 型堕型兰垫查查兰竺至生堕兰些堡苎 第一章绪论 1 1 课题的背景与研究意义 图像目标的检测是模式识别和图像理解领域中意义重大，而又颇为艰巨的研究工 作【1 】【2 】。它研究用计算机代替人们自动地去处理大量信息，从而部分地代替人的脑力 劳动，因此在民用和军用中具有重要的意义。在大多数文献中，目标检测是指将背景 和目标分离开【3 】，确定目标的存在与否。也有少量涉及且标定位和识别【4 】，这时通常 是检测类别确定的目标。本文的研究属于后者。 目标检测一般需要完成三个关键的步骤：特征提取、目标建模和检测算法的设计。 特征提取是从像素出发，提取图像的关键点、线或区域等符号及特征，它是目标建模 和检测的基础。目标建模是指根据已有的先验知识和训练图像等获取目标的描述，主 要研究特征选择、特征提取和学习方法h8 l 等内容。检测算法则是利用建立的模型，在 图像中搜索并提取目标的方法，它与目标模型密切相关。 特征提取是计算机视觉领域的一个经典课题，对它的研究最多，目前已经从各种 不同角度提出了很多算法，但对于复杂的应用需求还远远不够，仍需要继续发展。目 标建模和检测在经历多年的研究、探索之后，已经取得了令人瞩目的进展，但是仍然 存在许多不易克服的障碍。目前目标检测存在的主要问题有：( 1 ) 算法的针对性较强： 由于现实世界的场景和目标十分丰富，至今还没有通用的解决方案，其成功仍然局限 于某些特定的场合。我们最终的期望是建立不受图像种类和目标模型约束的目标检测 系统；( 2 ) 较多的算法在目标检测所涉及的各个关键步骤中组合使用各种技术，如神 经网络、遗传算法【5 】”瞎，而运用一个统的理论体系实现各个环节的算法并不多见； ( 3 ) 使用线性处理的方法：线性处理技术存在统一的基本理论，实现相对简单，在 很多应用中表现出了优良的性能，因而一直是图像处理和分析的主要手段。然而，视 觉过程具有高度的非线性，使得线性近似在很多情况下无法刻画其主要性质，适应性 较差。 这些问题在国际学术界已经引起了广泛重视，有的研究者提出用统计的方法来解 决【7 】【8 】【9 】 ，非线性处理方法也受到了较大的重视。数学形态学【1 4 】【1 3 1 】【1 3 刁是一种非 线性图像( 信号) 处理和分析学科，它反映了视觉过程本身的非线性，同时在反映图 像对象的几何形状和结构信息上具有相当优势，目前已经在图像处理中得到了广泛应 用。然而，它在目标检测中的主要应用还集中在图像预处理和特征提取中，如图像去 噪、图像分割等，而在建模和检测中的研究却比较薄弱，距离实用还有很大差距，有 待于进一步开发。 有鉴于此，本论文将以数学形态学作为理论指导，研究前面提到的目标检测的各 第1 页 里堕型兰苎查查兰堑茎竺堕兰垡笙苎 个关键步骤，使得它们在一个统一的非线性理论下实现，并力图在建立具有普适性的 目标检测算法上作积极的探索。 1 2 国内外研究现状 为了叙述的方便，我们首先回顾一般文献中目标检测所涉及的关键技术，然后简 单地介绍数学形态学的研究现状，最后重点讨论与本课题密切相关的数学形态学在目 标检测中的应用。 1 2 1 目标检测中的关键技术 1 图像特征提取的研究 图像特征提取是从图像中提取关键点、线或区域等。其中边缘和角点是图像的最 基本特征，信息含量高，边缘和角点的提取是各种图像分析的重要基础，在计算机视 觉领域中研究得最多，并且迄今仍然很活跃。 边缘提取算法根据检测原理可分为：基于图像灰度差分的检测( 如s 0 b e l 算子、 m a r r h n d r e t h 等) 【2 “、最优化算法( 如h a r a l i c k 算子) 【2 l 】 2 4 】和多分辨率检测( 如l o g 算子等) z 5 】一【2 8 】等。相对于边缘而言，角点的检测要复杂得多。早期的角点提取方法 是基于物体边界的链码分析p 2 1 i ，近年来提出的角点提取算法大多是基于灰度图象 的【3 6 】。其他的一些方法还包括d e r i c h e 【3 1 和r 0 1 1 r 【3 8 】提出的基于模型的方法，t s a i 【叫 提出的基于神经网络的检测方法，q u d d u s 和f a h m y 【4 0 j 提出的基于小波变换的方法等。 2 目标建模 目标建模【4 6 l 是指根据已有的先验知识或者训练图像等获取有关目标或场景的描 述，它是进行目标检测的基础。建模是当今计算机视觉最困难的问题之一，需要根据 具体领域知识和目标的特点研究建模方法。建立能够真实地刻画目标的本质特性并且 有利于检测任务的目标模型是目前众多学者致力研究的一个主要问题。 模型的获取方式有：一是由常识性知识获得：用户没有给出明确的目标定义，仅 使用一些与领域无关的一般性的图像知识，例如一些低层特性( 亮度、纹理、光流场 等) 的一致性等；二是通过用户界面交互得到：对一个涉及许多目标的检测系统来说， 尚无通用的方法来指定系统抽取哪类信息。在这种情况下，一个交互的用户界面是必 要的。用户界面有两种主要功能：一种是通过人工交互的方法获得目标的知识，给出 目标的一些期望特性指标或模板草图；另一种是由用户指定系统输入特定领域的知 识，例如机场检测就是由用户给出机场具有的几个特性，然后在图像中搜索满足特性 的区域。用户界面可以有几种层次，例如对新用户，专家系统通过询问，帮助他们确 第2 页 国防科攀技术大学研究生院学位论文 定盛鼹：较有麓力数用户阿戳使用萦肇；两专她用户可煮接通过秘译器输入愈令。用 户界面在获取与解决问题相关的翔谈方面非常震要，僵现在可班撼供这种功畿的系统 还不多。三是由样本学习得到。该方法通过样本学习自动获取目标模型。它比平工输 入知识更具有镑齄蛙。目簸已经有不少样本学_ 习舱方法，如基于神缀网络的学习方法 嗣郴l 等。 模型的表现彤式有物理模型、几何模型和关系模型。其中物理模型是物体表面的 特蠼，磐亮度艨色与纹理等，在实际中往往终为辅助售感，铡如文献瑟9 】等；凡鹰形 状楚图像目标最重要的倍息，在建我的模型中缝于最重簧的地位，箕表示方法也最为 丰富：关系模型通常用来描述实体之间的空间荧系，或者用来描述熙为抽象的关系。 3 。裣测冀法骜设诗 目标检钡4 辣法是在已经知道某拨信息( 表示在模型中) 的情况下，在图像中找到 这些蕊怠的方法。尼卜年寒对瑟瑟羧灞冀法熬磷究取褥7 丰富豹戢莱。 传统的目标检测采用自底向上的数据驱动模型，一般包括图像预处理、图像分割、 特援提取及目标分类四大功能模块哪】【”，串彳亍 乍业，按序进行，如阁1 一l 所示。近年 来邋避对嚣螽；羧溺技术静丈量疆究，在各个嚣繁土取褥了缀大懿逶袋，奢望已经在实 际应用中取得r 较好的效果。这类方法的优点鼹适用面广，对单日橼检测和复杂景物 分析系统均适耀，具有较强的代换性；缺点是在分割、标记和特征抽取等低层处理的 遘糕中，获乏翔谖静指导，盲蓦瞧大，莲琵鬓法复杂，王 乍量大，照绩莱受分澍影响 严冀。而图像分割是一个缀典难题，短时间内j 丕不会出现完美的分割算法。 蔷盒+ | 二亘三三 征至量垂l - 三至至三) 啼 篓粱 踅 稽缆基耩稳溅豹薹本步骤 另一类是采用自顶向下的知识驱动模型p o 】i “j 。这类方法的信息处理过程是豳高层 知识开始，自鞭向下进行，也就是农具有目标酶先验信感的跨提下，直接在匿像中捡 瓣物体。模板骐配是其中瓣经典算法。裰据揆扳是否可戳发生变形，分力剐靛模板和 变形模板两类方法。刚性模板一旦构造完成就不能再发生变化，只可以对模税进行旋 转、缩放、平移等交换，模扳各个像綮静相对缎嚣不能改变，即不能发生任何的孵变。 常愆的两8 体匿配方法有鏊子辐关的嚣配方法渊 嚣畦帮h o u 馥变换方法 9 5 l s 霹等。蓉子相 关的匹配方法的实质是在攘幅图中找出与模檄差值撮小的，或者怒相似度最大的区 域。在预先给定目标模板的情况下，利用模板谯被搜索图像中寻找穰标最直接的方法 是：把模板在符灏匿豫上逐点上下平移，在每一个整置上计算攘叛与它下面所覆盖静 蘩3 簧 里堕型堂垫查盔兰竺塞竺堕兰些堡苎 区域之间的测度，找出测度函数的最大值像素所在的位置，由这个像素所确定的区域 就是我们寻找的目标。采用的匹配度量比较多，常见的有相关系数、夹角余弦、差值 平方和( s s d ) 、差的绝对和等【“。这类方法实现起来比较简单，但要求模扳非常精 确，并且对于尺寸、方向变化及部分偏移等非常敏感。另外，窗口的尺寸、滑动步长 的确定也是这类算法的难点。h o u 曲变换将图像空间中复杂的边缘特征信息映射为参 数空间的聚类检测问题，最初是直线检测的一种有效算法。b a l l ”d 提出了非解析任意 形状的r 表法，有效地将其推广到任意方向和范围的非解析的任意形状的曲线检测， 称为广义h o u 曲变换( g e n c r a l i z e dh o u 曲t r a n s 白r m ，g h t ) 州一m 。这类方法具有明 了的几何解析性、一定的抗干扰能力和易于实现并行处理等优点，在某些应用领域中， 这类方法具有很好的效果；另一方面，它也有着计算量大、需要巨大的存储空间等缺 点。可变形模板( d e f o r m a b l et c m p l a t e s ) 匹配i ”坊法，能根据测度函数的指引，主 动改变模型或模板，使其逐渐地变形成最接近目标。与刚体匹配方法相比，可变形模 型及模板匹配方法更加通用、灵活，具有强大的匹配变形目标的能力。在分析可变形 模板的过程中，作者提出了一种多尺度可变形模扳目标检澳4 算法，可参看文献r 1 3 3 1 。 近年来，新的发展趋势是综合以上两种模型，包含反馈和迭代的概念。目标检测 不局限于采用相互分离的模块来完成检测任务，分层处理的概念逐渐变得模糊了，从 预处理到图像分割和特征提取再到目标分类，利用高层信息的不断反馈来控制检测的 进行。从控制论的角度看，这类方法更加稳定，鲁棒性更好，同时也更符合人脑检测 体系的基本要求。 1 2 2 数学形态学 数学形态学( m a t h e m a t i c a lm o r p h 0 1 0 9 y ) 诞生于1 9 6 4 年，由法国数学家m a t h e r o n 和s e r r a 共同创立。1 9 6 8 年在巴黎矿业学院创建了枫丹白露数学形态学研究中心。 m a i h e r o n 于1 9 7 5 年出版的r a n d o ms e t sa i l di n t e g r a lg e o m e t r y 一书中严谨而详尽地 论述了随机集合论、积分几何论和拓扑逻辑论，为数学形态学奠定了坚实的理论基础 【1 3 】。到了1 9 8 2 年，s e r r a 出版的专著i m a g e a n a l y s i sa i l d m a t h e m a t i c a l m o r p h o l o g y 标志着数学形态学的发展进入了一个全新的阶段1 1 ”。它给出了图像处理中数学形态学 方法的经典描述，清楚地表明数学形态学理论的日趋成熟和应用范围的不断扩大。 1 9 8 5 年以后，一些相关领域的国际会议开始把数学形态学列为学术讨论专题，或专门 举行研讨会。国际光学工程学会( s p i e ) 从1 9 9 0 年起每年举办一次“i m a g em g e b r aa n d m o r p h o l o g i c a l i m a g ep r o c e s s i n g ”会议。同时，有关的国际刊物也在大量刊载数学形态 学方面的研究成果，相关方面的专著也相继出版。经过四十年的发展，数学形态学在 理论和应用两个方面都取得了举世公认的成就i ”，成为数字图像处理与计算机视觉 领域中的一种有效方法。 数学形态学是一种非线性图像( 信号) 处理和分析理论，具有一套完整的理论、 第4 页 国防科学接术大学研究生院学位论文 方法和算法体系。其理论基础颇为艰深，涉及微分几何、积分几何、测度论、泛函分 辑帮涟祝过程簿许多理论，体现了滋辑推理鞠数学演绎的严谨 皇。然两其基零思想却 是简单朴实的：利用一个称作结构元素( s t r t u r ee 1 e m e n t ，s e ) 的“探针”收集图像 的信息。当探钟在图像中不断移动时，便可考察图像各个部分间的关系，从藤了解图 像静结梅特援。作秀探针豹结构元素，可壹羧携带知识( 澎凌、大，j 、色发信患等) ， 来探测研究图像的结构特点。描述数学形态学的语言是集合论，形态膨胀和腐蚀是它 的逡簿基础。最初，由m a t h e r o n 和s e m 提出的数学形态学以研究二值图像为对象， 称兔二蓬形态攀。诧螽，又推广裂获度鹜像，乃至多篷鬻像# “，健之成为数字强像楚 理与计算机视擞领域中的一种有效方法。 数学形态学的主要优点包括；( 1 ) 基于搽测的基本思想和上下碗界的基零运算表 示，反映了自然雾中一类蒋速存在静客蕊现象，与久蠹每a ( f o 髂o f 觚删i o n ) 的视觉特点有类似之处；( 2 ) 能够提供一种用于描述由图像空间组成的相关数学体系， 可用以分析图像对象的几何形状和继构特征，是一种图像分析技术的理想开发工具； ( 3 ) 理论黥骥盖面十分广阔，涵豢了圈豫楚疆孛静薪墼积菲线 生舞子，是个图像 处理的统一理论；( 4 ) 将大量复杂的图像处理转换成最熬本的平移姆逻辑运算的组合 来完成，因此便于并行处理与硬件蜜现，具有弊法设计灵活，运行速度快捷的显著特 点。 数学形态学被广泛应用到图像处理的各个领域，如图像增强、分割、边缘提取、 形态分析、图像压缩等f 1 5 l ”。然而，现在的数学形态学并没有达到完善的缝步， 竞冀楚“在把援是然景物鹣含义秘入类愚维静符号播邃方蕊浅显褥力不跌心，有待予 进一步开发”。下面将重点讨论它在目标检测相关技术中的研究现状。 l 。2 0 鼗学形惑学与嚣标检测 1 图像特征提取 由于数学形态学其寄缀强翡凡褥选择特魏和通过积分几何理论阅接获敬图像豹 几何参数的能力，近年来有不少研究者研究基于该理论的边缘和角点提取算法。形态 学边缘提取主癸甩到形态梯度的概念，其基本思想是对图像用一定的结构元素避行操 终嚣与原图像藏减l 冽零”。在边缘撼取中，如何解决检测精度帮抗嗓麓力阉的矛詹是 目前研究的一个重点。另外许多文献并未讨论边缘方向的确定问题。在形态学角点提 取算法h 1 l h 5 l 的研究方面，大多数算法对于二饿图像有效，并不适合较复杂的灰度图 像。蠢些算法羹l j 与传统懿方法撩结合，佼褥整个猃溺过释不易于统一，硬孛 实现较复 杂。因此有必翳寻找一种完全基于形态学的，风同时适合二值和灰度图像的角点提取 算法。 筹5 贾 里堕型兰垫查查兰竺堑生堕堂竺堡苎 2 目标建模与检测 由于检测算法与所用的模型密切相关，因此在这里我们一起讨论，而数学形态学 可以分为二值形态学和多值形态学，其特点各有不同，下面分别论述。 ( 1 ) 二值图象 对于二值图像，重点考虑的特性是几何形状。研究者们提出了许多形状描述方法， 如不变矩、傅立叶描述子、形状矩阵、多边形近似等【4 ”。这些方法描述了形状的不同 侧面，并成为许多成功的检测系统的重要组成部分。但值得指出的是，在许多情况下 它们是不充分的。例如它们无法描述形状存在几个组成部分以及各个部分的连接关系 如何等问题。随着目标形状的复杂度和变化程度的增加，目标的类内差异增大，而类 间差异减小，此时，上述方法的局限性更加明显，因此有必要研究新的形状表示方法。 数学形态学以几何学为基础，着重研究图像的几何结构。基于数学形态学的形状 分析方法，不需要经过变换，可以直接在图像的空间域对区域内部提取形状特征。因 此基于形态学的形状描述法日益得到重视。目前在数学形态学当中，形态学骨架 6 0 】【6 1 】 和形态学形状分解瞄】- 【6 9 1 是两个主要的形状描述方法。然而它们在以下几个方面还有 待改进：如何减小数据冗余度，如何更好地将人类视觉感知的某些特性加以模型化， 如何更便于目标检测系统的构建和加快目标检测过程等。 当仅考虑目标的形状时，目标检测的主要问题是寻求可靠高效的形状匹配方法。 数学形态学在检测算法方面的研究还相当有限，其中典型的方法是击中击不中变换 【8 9 】一【9 4 l 以及属性算子【“】- 【1 0 7 】，真正实用的形态学形状检测系统还很少，需要解决的最 困难的问题之一是：如何在尚未搜索完所有可能的物体匹配的前提下，检索到最佳的 匹配模型，另一个问题是如何在尚未得到完整的目标区域的情况下完成匹配。 ( 2 ) 多值图像 对于多值图像，可用的特征很多，其模型也比较多样化。目前对于不同的输入信 号和目标模型，相应的检测算法也各不相同。实际上，能够不受图像种类和目标先验 知识约束的目标检测系统是我们最终希望实现的目标。形态学在这方面的研究较为薄 弱，尽管人们一致努力将二值图像中适用的方法扩展到多值图像中，如t 0 p - h a t 变换、 形态学神经网络方法p 5 1 【“1 【“1 等，但真正适合于多值图像的形态学目标检测算法并 不多见。 1 3 本文的主要工作 本文从数学形态学的基本理论入手， 然后对目标检测所涉及的图像特征提取、 主要工作如下： 对其理论基础进行了较详细的分析和讨论， 目标建模和检测算法等问题作了深入研究， 第6 页 唇转科学撞本大攀骚巍生院学位论文 。攉蹬了蓁于数攀形态学秘疆豫特征疆联方法 回顾了现有的边缘提取和角点提取算法，然后分别提出了一种组合多种结构元素 懿澎悫学边缘挺敬算予秘一种基予“爨孛数”静焦点撵取黪法，其露梭测准确糕度高、 挠噪悭8 好、计簿量小帮磺结实现方缨等伐点。盎子怒数掇驱动的与瘫用域无关魏算 法，因而它们可以应用于其它图像理解任务。 2 。提辩了纂于形态学分解的彩歇描述方法 燎于形状特 芷的重要性，以及数举形态学在把握几何澎状方蕊的优势，在分析、 总结了一般昀形拣播述算法的基础上，提出了种基于澎杰学分解鹃形状攒述方法， 捺述了构残澎状戆各令攥分酶关系，遮耱据述方法浇骥有戆雾法嚣符合人类耱援觉感 知。 3 ，建点了一秘由榉零学习褥到的形态学形状模型 凌提出蛇形炊分解簿法纂础之上，建立了个模糕关窳羼矬圈搀必形状模溅n 该 模型由样本学习褥到，具意较强的适废性，适合于有部分遮挡移内帮旋转的情魏，并 且有利于构建舀标检测算法。 4 提溺7 一种基平形袄模型静彩载裣溺冀法 根据形状模型，提出了一种形态学形状检测算法。该检测算法采用了基乎部分 ( p a 小b a d ) 帮艨次式瓣鼹溪慈悲，谈次在躅豫中援索形状懿各个缰簸帮分，瓣魏提 蠢了梭测鲍糙攫魏效攀，嗣时还霹鞋凑瑗并簿怒疆。 5 。提出7 一墨中基予多值形态学的县标梭测糨架 可壤看到，缮管各种敷丽静输入信号备不相同，值怒都可戳烟结为多氆霭像 ( h m l t i v a l u e di m a g e ) 【1 6 】，即从n 维空间到m 维空间的一个映射。本文对多值圈像进 行了研究，缀合备种目标的先验知识，提出了个将各辩检测任务统一起来的目标检 溺框浆，给爨了两帮爨耽藕全局後证算法，戳及它稍翡多分辨率实蕊方法。 6 。探索了多鎏形态学瓣标梭测秀法静瓣令爨体实例 为了说明所提出的上述检钡4 枢架的具体应用，本文探索了该糨架襁二维灰度图像 髫拣检测窝序列阕像运动联标检测毂嚣个爨体实铡，瀵甓了框絮瓣鸯效性秘可扩展 性。 第7 页 里堕型兰苎查盔兰里塞生堕兰垡堡苎 1 4 本文的组织结构 论文后面的章节内容安排如下： 第二章为理论基础。阐述了二值与多值数学形态学的定义、相关运算及性质，归 纳了基于数学形态学目标检测的主要算法。 第三章研究了基于数学形态学的图像特征提取算法。重点阐述了边缘提取和角点 提取问题，在总结分析现