一种基于乘性可变尺度形态分形模型分割新算法.docVIP

一种基于乘性可变尺度形态分形模型的分割新算法 　　摘要：在定义乘性可变尺度结构算子对数学形态维分形模型进行优化和改进的基础上，提出了一种基于提取分形特征参数的图像分割算法。首先定义并比较了加性和乘性可变尺度形态结构算子，并以此为基础进行形态学膨胀运算，提取归一化模型下的数学形态维分形维数，再用分形特征维数调制灰度值，以拉开各个灰度级间的距离，有效地增大了目标和背景的差异，最后进行自适应阈值分割。大量对比仿真实验取得了良好的分割效果，并且证明了本算法的有效性和可靠性。 　　关键词：数学形态维； 归一化； 分形维数； 阈值分割； 分形调制 　　中图分类号：TP391文献标志码：A 　　文章编号：1001-3695(2007)04-0151-03 　　 　　0引言?? 　　 　　分形理论为研究自然界中不规则的复杂物体提供了一种极好的数学手段。它反映的是统计意义下图像纹理的不规则性和复杂度，既不易受灰度均值的影响，又不会因图像尺度的改变而产生大的变化。因此它是描述自然纹理的有效工具[1]。?? 　　数学形态学是图像形态滤波技术的理论基石，是一种成功的非线性图像处理和分析理论[2,3]。形态滤波就是从集合角度刻画和分析图像，并进行变换以突出所需要信息的过程。宏观上它是通过一定形态的结构元素在目标对象中移动，保持图像基本特征，实现对图像信息的滤波处理，并且能根据定义结构尺度大小除去小于结构元的细节。数学形态学恰好成为不同尺度下度量几何体分形维数的有力手段。近年来，数学形态维分形模型形成了一套系统严谨的理论和算法体系，迅速成为分形处理领域重要的理论模型。?? 　　 　　1数学形态维分形模型?? 　　 　　分形维数是在尺度ε下测得的由标度关系得出的定量数值，标志了该结构的自相似规律。数学形态维是在Blanket算法[4]上发展起来的ε规模下的测量法，即图像集合F的维数服从由ε→0时ε的指数关系：?? 　　对于理想分形体，维数s与尺度ε无关。其物理意义表示为覆盖F所需要的以ε＞0为直径的互不相交的闭球簇的最小数目。?? 　　Samarabandu等人[5]给出了一种基于固定结构元的数学形态学分维数估计方法。分别用膨胀与腐蚀算子卷积原图像（图1）以构建上、下覆盖层（图2），并使两侧覆盖层与图像灰度表面距离小于等于ε。实际应用中，由于引入腐蚀算子并不能使估计精度显著提高，反而大大增加了算法的复杂性，可以仅仅使用膨胀算子构建。膨胀算子为令覆盖层的体积为V(ε)，则灰度表面的面积将是ε趋近于0时V(ε)与 ε之商的极限。设A(i, j,ε)为图像上I(i, j)像素处图像曲面面积，M、I为上、下覆盖层，s(i, j)该点处分形维数值，则可以得到对于具有统计意义下分形特征的图像表面，其面积将随尺度减小而指数级增加，对数据点对{ln[A(i, j,ε)],ln(1/ε)}进行最小二乘直线拟合即可求出分形维数。?? 　　 　　2加性和乘性结构算子?? 　　 　　形态滤波是具有等幂性和单调性的形态变换，其性能由两个因素决定：结构元素和变换函数。其中，单调性是机遇用于描述图像空间的偏序关系；等幂性则是机遇建立在函数空间代数结构上的变换函数。一种有效的图像处理方法除赋予相应的数学模型外，还应建立相应的运算结构。根据Heijmans H.的理论[6]，如果将图像灰度曲面I视为空间集合P(R??2)中的点集合，则可以定义复平面中的两类形态膨胀运算。?? 　　（1）加性形态膨胀运算为?? 　　其中，集合B被称为结构元素。?? 　　形态膨胀运算可以通过在实施对象中填放结构元的方法实现，但是加性和乘性运算填放的方式是完全不同的。加性形态运算在结构元素的平移过程中只有结构元素的空间位置变化，而并不改变尺寸和形状；乘性形态运算在作用过程中伴随着结构元素尺寸和形状的变化，其空间位置的改变则是通过旋转变换完成的。从对图像滤波的角度看，由于形态运算不受原点相对于结构元的位置影响，加性运算保留图像I中半径不小于ε的邻域。而乘性运算保留图像I中半径不小于εd的邻域，这里的d是邻域中心与原点的距离。?? 　　通常的形态分形维模型应用加性形态膨胀运算，会反复使用固定的尺度结构元，其缺点非常明显[7]。首先，不同尺度下实际使用的等效结构元的半径是成倍增长的。例如，结构元为5，尺度为2时，等效于用半径为10的结构元去膨胀；而尺度为3时，等效半径变为15。这种膨胀会使计算结果受到较大邻域内像素的影响，造成边缘区域难以准确定位，降低分割的精度。其次，由于数字图像总定义于离散网格上，使得大尺度上膨胀结果偏小，最终的分维数估计值偏大。?? 　　乘性形态膨胀算子（图3）具有旋转缩放特性，因此具有比普通加性算子更好的分析能力。可以用这样的方式构建：n×n大小