基于beamlet变换的线特征提取方法研究-信号与信息处理专业论文.docxVIP

汕头 汕头大学工学院 2014 届硕士学位论文 摘要 摘要 万方数据 万方数据 万方数据 万方数据 摘要 图像中的线特征是视觉感知的重要线索，为我们对图像的理解提供了依据， 因此，线特征的提取有着十分重要的意义。实际上，长期以来它一直是图像处理 领域热门的研究方向之一。 常规的线特征提取算法包含传统的边缘检测算子、Radon 变换、Hough 变换 以及基于小波的边缘检测。传统的边缘检测算子普遍对噪声敏感，并且对细节多 的复杂图像，检测的效果均不理想。Radon 和 Hough 变换对线特征的提取能力较 强，却无法定位线段的起点与终点，不能获取线段的长度信息。小波是点模型表 示的最优基，对线等高维特征则不具备这种优越性。 作为一种新的多尺度分析工具，Beamlet 以不同尺度、不同方向和不同位置 的线段作为函数基，实现了对线段的精确定位和多尺度逼近，在线特征提取中， 它有着良好的效果。本文对 Beamlet 的基本理论体系进行了全面而深入的分析， 详细介绍了其框架：Beamlet 词典、Beamlet 变换、Beamlet 金字塔、Beamlet 图 以及 Beamlet 基础算法，其中 Beamlet 基础算法部分，对四种基本算法的原理作 了阐述，重点讨论了 Beamlet 无结构和树结构两种算法，并对二者进行了数据仿 真。实验结果表明，Beamlet 基础算法对线特征的提取能力较强，对边缘的检测 任务完成较好。 在原有的 Beamlet 算法的基础之上，本文提出了两种新的算法。第一种算法 从特征增强的角度出发，综合使用 Beamlet 和 Curvelet 两种多尺度分析技术来进 行图像线特征的提取。首先处理图像 Curvelet 变换后与边缘线特征相关的系数， 实现特征的增强，再利用 Beamlet 树结构算法进行线特征提取。实验表明，与原 始的 Beamlet 算法相比，新算法的边缘定位更加准确，连续性好。第二种算法是 从特征分类的角度出发，采用 P-M 模型边缘提取算法检测大边缘，原始的 Beamlet 无结构算法负责细小线特征的提取，综合两者提取的线特征得到最后的结果。与 原始的 Beamlet 算法相比，提取出来的线特征虽然粗化，却更加完全，漏检的部 分减少，取得了一定的改进。 I 关键词：边缘检测算子；小线变换；曲波变换；P-M 扩散模型 II Abstract Line features in an image are important clues to our visual perception and provide basis for the understanding of the image. Therefore, the significance of line feature extraction is great. In fact, it is one of the popular fields in image processing for a long time. The conventional line feature extraction algorithms contain traditional edge detection operators, Radon transform, Hough transform and wavelet-based edge detection. Among them, the traditional edge detection operators are generally sensitive to noise, and as to a complex image which has many details, their detection results are not satisfactory. Radon and Hough transform, although they have a good ability to extract line features, they are unable to locate the starting point and the end of the line. They can’t get the information of the line length, either. Wavelet analysis is the optimal base for the representation of Point Model, while it doesn’t have this advantage for high-dimensional features like line. As a ne