[发明专利]一种利用数学形态学高帽选择变换构造中心算子的图像增强方法

摘要

本发明涉及一种利用数学形态学高帽选择变换构造中心算子的图像增强方法，它有四大步骤：设有n个尺度不同的结构元素参与计算，首先，由高帽选择变换构造中心算子和反中心算子；然后，比较由构造的中心算子平滑后的结果图像与原始图像获得亮特征和暗特征；接着，通过改变结构元素的尺度大小，由中心算子和反中心算子分别提取n个不同尺度结构元素所对应的亮特征和暗特征；随后，由所有n个尺度提取得到的亮特征和暗特征构造最终的亮特征和暗特征；最后，在原始图像上通过对比度增强的方式引入提取的最终的亮特征和暗特征达到图像增强的目的。本发明广泛应用于各类基于图像的应用系统，具有广阔的市场前景与应用价值。

主权项

一种利用数学形态学高帽选择变换构造中心算子的图像增强方法，其特征在于：该方法具体步骤如下：步骤一：由高帽选择变换构造中心算子SMC(f)和反中心算子$f\⊕B(x,y)=\underset{u,v}{\max }(f(x-u,y-v)+B(u,v)),$${\mathrm{BTHS}}_B(x,y)=\left\{\begin{array}{c}f\•B(x,y)-f(x,y),t_1\≤f\•B(x,y)-f(x,y)\≤t_2\\ t,\mathrm{else}\end{array}\right.,$$\stackrel{t=0,t_1=\mathrm{nL},t_2\→\∞}{\⇒}{\mathrm{BTHS}}_B(x,y)=\left\{\begin{array}{c}f\•B(x,y)-f(x,y),f\•B(x,y)-f(x,y)\≥\mathrm{nL}\\ 0,\mathrm{else}\end{array}\right.,$SO_B(f)＝f(x，y)‑WTHS_B(x，y)，SC_B(f)＝BTHS_B(x，y)+f(x，y)，SAO₁(f)＝SC_B(SO_B(f))，SAO₂(f)＝SO_B(SC_B(f))，SMC(f)＝min{max{f，min{SAO₁(f)，SAO₂(f)}}，max{SAO₁(f)，SAO₂(f)}}，$\stackrel{\‾}{\mathrm{SMC}}\left(f\right)=\stackrel{\‾}{\min \left\{\max \right\{\stackrel{\‾}{f},\left\{\min \right\{{\mathrm{SAO}}_1\left(\stackrel{\‾}{f}\right),{\mathrm{SAO}}_2\left(\stackrel{\‾}{f}\right)\left\}\right\},\max \{{\mathrm{SAO}}_1\left(\stackrel{\‾}{f}\right),{\mathrm{SAO}}_2\left(\stackrel{\‾}{f}\right)\}\}};$其中，f是原始图像；B是结构元素；(x，y)是图像像素坐标；(u，v)是结构元素中的像素坐标；t₁，t₂和t是高帽选择变换选择范围的参数；○，●，，分别是数学形态学开运算、闭运算、膨胀和腐蚀运算符；WTHS_B(f)，BTHS_B(f)是基于开、闭运算的高帽选择变换的输出；SO_B(f)，SC_B(f)是对图像中重要亮、暗特征具有选择性操作的算子；SAO₁(f)，SAO₂(f)是对亮、暗特征具有选择性操作的交替算子；SMC(f)，分别为由高帽选择变换构造的形态学中心算子和反中心算子；步骤二：比较经SMC(f)和平滑后的亮特征和暗特征得到提取的亮特征BIFSMC(f)和暗特征DIFSMC(f)：BIFSMC₁(f)＝max{f‑SMC(f)，0}，DIFSMC₁(f)＝max{SMC(f)‑f，0}，${\mathrm{BIFSMC}}_2\left(f\right)=\max \{f-\stackrel{\‾}{\mathrm{SMC}}\left(f\right),0\},$${\mathrm{DIFSMC}}_2\left(f\right)=\max \{\stackrel{\‾}{\mathrm{SMC}}\left(f\right)-f,0\};$BIFSMC(f)＝max{BIFSMC₁(f)，BIFSMC₂(f)}，DIFSMC(f)＝max{DIFSMC₁(f)，DIFSMC₂(f)}；BIFSMC₁(f)，DIFSMC₁(f)分别是通过构造的中心算子SMC(f)提取的图像亮特征、暗特征；BIFSMC₂(f)，DIFSMC₂(f)分别是通过反中心算子提取的图像亮特征、暗特征；BIFSMC(f)，DIFSMC(f)分别是提取的图像亮特征和暗特征；步骤三：改变结构元素的尺度大小，由SMC(f)和分别提取n个不同尺度结构元素B₁，B₂...B_n所对应的图像亮特征BIFSMC_i(f)和暗特征DIFSMC_i(f)：${\mathrm{BIFSMC}}_1^i\left(f\right)=\max \{f-{\mathrm{SMC}}_i\left(f\right),0\},$${\mathrm{BIFSMC}}_2^i\left(f\right)=\max \{f-{\stackrel{\‾}{\mathrm{SMC}}}_i\left(f\right),0\},$${\mathrm{DIFSMC}}_1^i\left(f\right)=\max \{{\mathrm{SMC}}_i\left(f\right)-f,0\},$${\mathrm{DIFSMC}}_2^i\left(f\right)=\max \{{\stackrel{\‾}{\mathrm{SMC}}}_i\left(f\right)-f,0\};$$\mathrm{BI}{\mathrm{FSMC}}_i\left(f\right)=\max \{\mathrm{BIFSM}{C}_1^i\left(f\right),\mathrm{BIFSM}{C}_2^i\left(f\right)\},$${\mathrm{DIFSMC}}_i\left(f\right)=\max \{{\mathrm{DIFSMC}}_1^i\left(f\right),{\mathrm{DIFSMC}}_2^i\left(f\right)\};$SMC_i(f)和分别表示采用多尺度结构元素B_i时的新定义的中心算子和反中心算子；是不同尺度结构元素B_i下分别用SMC_i(f)和提取得到的亮特征；是不同尺度结构元素B_i下分别用SMC_i(f)和提取得到的暗特征；BIFSMC_i(f)，DIFSMC_i(f)分别是不同尺度结构元素B_i下两种中心算子最终提取得到的亮、暗特征；步骤四：通过取不同尺度下特征图像的像素灰度最大值合并所有n个尺度下的亮、暗特征，得到最终亮特征FBIFSMC(f)和暗特征FDIFSMC(f)；步骤五：在原始图像上通过对比度增强的方式引入提取的最终亮特征和暗特征达到图像增强的目的。