Van Herk 算法.docxVIP

关于van Herk算法的研究摘要：本文主要针对van Herk算法的基本原理，以及van Herk 改进算法的描述与实验。第一部分主要是针对van Herk等人1992年在 Pattern Recognition Letters上发表的一篇提高医学图想清晰度算法的描述与实验。第二部分主要是针对Joseph Gil和Ron Kimmel等人发表的关于高校腐蚀、膨胀，开和闭算法实验的重复过程。关键字：膨胀；腐蚀；van Herk改进算法1 一种用于矩形和八角形内核的局部最小和最大滤波器的快速算法1.1介绍这篇论文是Van Herk等人在1988年为了解决医学用的低对比度与低清晰度的医学图像而提出的一系列的图像增强算法，如最小平方反滤波算法。Bijhold等人（1991a）描述了自动门的边缘检测算法，Gilhuijs等人（1991）和Van Herk等人（1990）描述一种自动图像匹配方法，用于在线病人设置误差评估。后者的方法是Bijhold（1991b）等人和Meertens等人（1990）描述的门户形象评价交互程序的完全自动实现。随着数学形态学的广泛使用（如Haralick（1987）、Serra（1982）和斯腾伯格（1986）），发现应用形态滤波器对一些图像问题处理时，很难用线性滤波器解决。Gilhuijs等人（1991）表明，灰色色调形态滤波器（例如，局部最小值和最大值）可以有效地从这类非常低对比度的X射线图像中提取解剖细节（如骨骼）。然而，对于在线应用，大内核尺寸的形态滤波器的计算时间方面变得非常长。所以这篇论文研究的目的是找到局部最小和最大滤波的快速算法。由此，利用可分性和递归算法得到了速度上的改进。1.2可分离的形态学操作使用以下符号：f，g和h代表离散的图像或过滤器内核（结构元素），x和y是图像索引，i和j是内核索引。图像索引运行从1到N，其中N是图像大小。内核索引从-(k-1)/2 to (k-1)/2运行，其中k是内核大小（假设奇数保持对称）。以下面的方式考虑边缘效应：在允许的折射率范围之外的图像值，例如，，对于局部最大滤波器取为，对于局部最小滤波器取为。Serra（1982）定义了在图像f上具有结构元素g的灰色形态学扩张（Minkowski除法）：我们将它表示为，当使用最小值而不是最大值并且否定结构元素时，产生腐蚀的关系。当结构元素g可以写为x和y时，在行和列操作中分离（1）是可能的。众所周知的可分离形态滤波器是由Borgefors（1986），Gonzales和Wintz（1977）和Sternberg（1986）等人描述的街区距离变换。用于矩形内核的局部最小和最大滤波器也属于这一类别（例如，Groen等人（1988））。 对于k*k像素的核的分离的优点在于，当分离时（k对于行和k对于列），操作的数目从每像素的个操作减少到用于直接求值的2k个操作。 用于大内核大小的快速滤波的不同方法是重复应用小的 3 x 3内核大小的过滤器。 对于k*k内核（k odd），必须应用（k-1）/ 2次3×3滤波器。当3×3滤波器是可分离的时，这种方法可以用3（k-1）个操作来实现。1.3递归形态滤波器分离后，剩余的一维滤波器有时可以递归地评估。 一个很好的例子是距离变换。 在一个维度中，距离变换的基本递归系列是：其中a定义距离尺度（a 0）。 以这种方式形成的结构元件具有单个锯齿的形状，导致单向距离变换。为了获得具有三角形结构元素的全距离变换，必须通过等式（2）的结果向后执行相同的递归操作，即:这个操作也使得滤波器对称。Borgefors（1986）给出了递归距离变换的详细描述。使用该算法不可能获得平坦的结构元素，因为这要求a的值为0。在这种情况下，内核的大小不受限制。 对于距离变换，这意味着每个图像像素最终被设置为整个图像的最大值。我们描述了先前的rect，rsive算法的修改，使得可以发现一维图像上的局部最小和最大值，每个像素只有三个操作，与结构元素大小无关。该算法可以用于在任意维度的矩形和八边形内核上创建局部最优滤波器。1.4新算法使用线性滤波器减法可以用于限制递归系列的范围，例如以获得高速均匀滤波器（例如，Groen等人（1988））。 因为均匀滤波器也是可分离的，所以它可以用每个像素只有4个运算来计算。 不幸的是，这种技术不适用于形态滤波器，因为没有取最大值的反向操作。 一旦输出变量被该变量的最大值和输入值替代，就没有简单快速的方法来撤消该操作。因此，我们必须找到一种替代方法来限制递归形态滤波器的传播。我们解决这个问题如下。输入数组被分成大小为k的子数组（组），其中k是结构化大小。如果需要，通过使用值填充右侧的数组，将数组扩展为k的倍数。 a = 0的递归过程（2）应用于每个子阵列。在存储在阵列g中的所得子阵列