[发明专利]一种利用多尺度多结构元素高帽选择变换的线性特征提取方法

摘要

本发明涉及一种利用多尺度多结构元素高帽选择变换的线性特征提取方法，包括以下步骤：首先，考虑到图像中线性特征的特点，构造高帽选择变换所需要的能够用于线性特征提取的多尺度多结构元素；然后，通过高帽选择变换利用构造的结构元素分别提取每个尺度下各个方向上可能的线性特征；其次，合并每个尺度下各个方向上的线性特征；随后，取所有尺度下线性特征的最大值作为提取的线性特征灰度图像；最后，通过二值化、剔除瑕疵、细化和小区域剔除这些后续处理得到最终结果。提取的线性特征是图像处理相关应用的重要特征。因此，本发明可以被广泛应用于各类基于图像处理的应用系统，具有广阔的市场前景与应用价值。

主权项

1.一种利用多尺度多结构元素高帽选择变换的线性特征提取方法，其特征在于：该方法包括以下具体步骤：步骤一：构造用于提取多个尺度下各个方向上线性特征的结构元素；设结构元素有n个尺度，即B₁，B₂，…，B_j，…，B_n，其中在每个尺度j(1≤j≤n)下分别构造对应0°,45°,90°和135°四个方向的线性结构元素，即B_(j,0)，B_(j,45)，B_(j,90)，B_(j,135)；其中，B_(j,0)为对应于0°方向线性特征的线性结构元素，B_(j,45)，B_(j,90)，B_(j,135)为对应于45°,90°和135°方向线性特征的线性结构元素，每个尺度下的各个方向结构元素所对应的长宽都相同；步骤二：计算每个尺度j(1≤j≤n)下各个方向上可能的线性特征；通过高帽选择变换，利用构造的B_j按下式提取0°方向上的线性特征（WTHS_(j,0)）：其中，WTHS为高帽选择变换；(x,y)是图像像素坐标；f是原始图像；B_(j,0)为对应于0°方向线性特征的线性结构元素；nT为一个阈值参数，用来抑制非线性特征的干扰；ο为形态学开运算，且其具体定义如下：f⊕B=max(u,v)(f(x-u,y-v)+B(u,v)),]]>fΘB=max(u,v)(f(x+u,y+v)-B(u,v)),]]>其中，f是原始图像；B是结构元素；(x,y)是图像像素坐标；(u,v)是结构元素中的像素坐标；WTH是白高帽变换；ο，和Θ分别是数学形态学开、膨胀和腐蚀运算符；同样，45°,90°和135°方向上的线性特征WTHS_(j,45)，WTHS_(j,90)，WTHS_(j,135)分别通过高帽选择变换和构造的相应的结构元素由下式获得：步骤三：合并第j尺度下各个方向的线性特征，得到第j尺度所对应的线性特征L_j(x，y)=WTHS_(j，0)(x，y)+WTHS_(j，45)(x，y)+WTHS_(j，90）（x，y)+WTHS_(j，135)(x，y)步骤四：取每个尺度下取线性特征的最大值，得到最终的线性特征灰度图像LL=max1≤j≤n(Lj(x,y))]]>步骤五：通过后续处理得到最终的线性特征提取结果首先，通过设定的阈值二值化分割提取的线性特征的灰度图像，得到二值化的线性特征图像，二值化分割所用的阈值可通过人工指定或迭代阈值方法获取；然后，剔除二值线性特征图像中的瑕疵，得到更加完善的线性特征；其次，通过形态学细化运算得到初步的线性特征提取结果；最后，剔除细化后图像中的噪声区域，得到最终的线性特征。