数学形态学

基于数学形态学的图像检测关键技术：图像特征提取、目标建模、检测算法。

数学形态学是一种非线性图像信号处理和分析理论有利于把控信号中的几何结构信息，符合人类感知）

图像特征提取

1、组合多种结构元素的形态学边缘提取算法，具有同时确定边缘幅度和方向的能力，检测精度，运算速度快，抗噪性强。

2、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，具有检测准确度高、抗噪性能好、计算量小和硬件、实现方便。

目标建模和检测

提出一种基于形态学形状分解的形态描述算法

（通过样本学习–>得到模糊关系属性图作为形状模型–>根据该形态模型提出一种基于部分的层次式形状检测方法）

优点：符合人类视觉感知系统，有利于目标检测算法。

形状建模和检测算法不需要先提取形状再与可能的目标模型匹配，采用分部分和分层次的处理思想，依次在图像中搜索形状和各个组成部分，提高了检索精度和效率，减小或消除了复杂背景、部分遮挡和目标内部组成部分旋转的影响，同时可以实现并行处理。

多值图像目标检测

提出一种条件泄洪策略来构建多值形态学目标检测框架，将各种目标检测任务统一到一个框架下。

两种具体实现算法：局部条件泄洪法和基于遗传算法的局部条件泄洪法

---

目标检测三步骤：特征提取、目标建模、检测算法

1、特征提取：从像素出发，提取图像中的关键点、线或区域等符号及特征。边缘、角点是图像最基本的特征，信息含量高。

（1）边缘提取方法：基于图像灰度差分的检测（Sobel算子、Marr-Hildreth）、最优化算法（Haralick算子）、多分辨率检测（LOG算子）。

（2）角点提取方法：基于物体边界的链码分析、基于模型的方法、基于神经网络的检测方法、基于小波变换的方法。

2、目标建模：根据已有的先验知识和训练图像等获取目标的描述。

​ （困难）根据具体领域知识和目标的特点研究建模方法，目的：建立能够真实地刻画目标的本质特征并且有利于检测任务的目标模型。

模型获取方法：

**（1）**由常识性知识获得：用户没有给出明确的目标定义，仅使用与领域无关的一般性的图像知识，例如：低层特征（亮度、纹理、光流场）的一致性。

**（2）**由用户界面交互获得：对一个涉及许多目标的检测系统来说，没有通用的方法来指定系统抽取哪类信息，此时需要一个交互用户界面，用户界面有两种主要功能。

1）通过人工交互的方法获取目标的知识，给出目标的一些期望特征指标或模板草图。

2）由用户指定系统输入特定领域的知识

模型表现形式：

1）几何模型：图像目标最重要的信息。

2）物理模型：物体表面特征，充当辅助信息。例如亮度、纹理、颜色

3）关系模型：描述实体之间的空间关系或更抽象的关系。

**（3）**由样本学习获得。通过样本学习自动获取目标模型。例如 基于神经网络的学习方法

3、检测算法：利用建立的模型，在图像中搜索并提取目标的方法。

1）传统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、特征提取、目标分类，串行作业。

（图像分割环节很重要）

2）自顶向下的知识驱动模型，在具有目标先验信息情况下，直接在图像中检测物体。

模板匹配（典型算法）：根据模板是否可以变形分为刚性模板和变形模板。

刚性模板（基于相关的匹配方法、Hough变换方法）：一旦构造完成就不能再发生变化，只能对模板进行旋转、缩放、平移等变换，模板中各个像素的相对位置不能改变，即不能发生任何形变。

基于相关的匹配方法：在整幅图中找到与模板差值最小/相似度最大的区域，在预先给定目标模板

---

数学形态学：一种非线性图像（信号）处理和分析学科，反映了视觉过程中的非线性，在反应图像对象的几何形态和结构信息上具有优势。

数学形态学在目标检测中用于图像预处理和特征提取。

性图像（信号）处理和分析学科，反映了视觉过程中的非线性，在反应图像对象的几何形态和结构信息上具有优势。

数学形态学在目标检测中用于图像预处理和特征提取。