基于多尺度特征融合與Canny邊緣檢測的結(jié)構(gòu)提取與紋理濾波算法研究.pdf

1、圖像是人們認識和了解世界的主要來源之一，結(jié)構(gòu)作為圖像的基本特征包含了圖像大量有意義的信息。因此，從含有豐富紋理的自然圖像中提取結(jié)構(gòu)信息是當前圖像分析和模式識別領(lǐng)域的研究熱點。圖像結(jié)構(gòu)提取技術(shù)不僅能大大提高圖像理解質(zhì)量，還能應用于目標識別、圖像分割、顯著性分析等計算機視覺領(lǐng)域，具有廣泛的研究和應用價值。但是，由于自然圖像中紋理的多樣性和復雜性，使得圖像結(jié)構(gòu)提取依然是個富有挑戰(zhàn)的難題。此外，近些年出現(xiàn)的紋理濾波技術(shù)要求濾除不必要紋理細節(jié)的同

2、時保持圖像顯著結(jié)構(gòu)的完整，因此紋理濾波效果很大程度上也取決于結(jié)構(gòu)提取的好壞。
　　已有的結(jié)構(gòu)檢測算法容易受到圖像中一些強梯度紋理的干擾，導致無法有針對性的提取圖像的顯著性結(jié)構(gòu)。另外，大多數(shù)已有的紋理濾波算法偏向于處理弱梯度的紋理圖像，對于強梯度的紋理容易產(chǎn)生問題，尤其是難以同時做到結(jié)構(gòu)保持和紋理平滑。為了解決上述問題，本文提出了一種基于多尺度特征融合與Canny邊緣檢測的結(jié)構(gòu)提取算法，并在此基礎(chǔ)上提出一種結(jié)構(gòu)引導下的三邊紋理濾波算

3、法。本文的主要研究內(nèi)容和創(chuàng)新點如下:
　　第一，本文提出一種基于多尺度特征融合與機器學習的結(jié)構(gòu)識別方法。首先，本文分析并提取了基于內(nèi)變分、區(qū)間梯度以及Gabor環(huán)繞抑制的多尺度混合特征，其對于不同尺度的強梯度紋理具有更高的分辨能力。其次，考慮到各特征之間存在的相關(guān)性以及冗余性，本文利用主元分析方法對提取的特征進行降維處理。最后，本文通過實驗對幾種不同的機器學習模型進行了性能比較，最終發(fā)現(xiàn)神經(jīng)網(wǎng)絡模型能夠取得最佳的分類效果。

4、　　第二,本文提出一種結(jié)合Canny邊緣檢測與結(jié)構(gòu)識別的結(jié)構(gòu)檢測算法。本文在多尺度Canny邊緣檢測結(jié)果的基礎(chǔ)上，首先采用去毛刺、去孤立點以及基于結(jié)構(gòu)預測圖的紋理邊緣抑制策略，剔除被誤檢成結(jié)構(gòu)的紋理像素。其次，通過斷點連接策略，挽回被漏檢的結(jié)構(gòu)像素。最后，通過結(jié)構(gòu)矯正策略解決存在的結(jié)構(gòu)偏移問題，最終得到更為精細的結(jié)構(gòu)檢測結(jié)果。
　　第三，本文在結(jié)構(gòu)檢測結(jié)果基礎(chǔ)上，將判斷是否跨越結(jié)構(gòu)的濾波核引入雙邊濾波技術(shù)框架，提出一種結(jié)構(gòu)引導下的

5、三邊紋理濾波算法，對結(jié)構(gòu)和紋理分別采取不同的濾波方式，得到結(jié)構(gòu)保持且紋理平滑的濾波結(jié)果。與已有的紋理濾波方法相比，本文的濾波結(jié)果既能很好地保持圖像的結(jié)構(gòu)信息，同時又能濾除一些不必要的紋理細節(jié)。最后，我們將本文紋理濾波結(jié)果應用到細節(jié)增強、圖像風格化以及圖像分割等領(lǐng)域，也取得了不錯的效果。
　　實驗結(jié)果表明，本文提出的結(jié)構(gòu)檢測和紋理濾波算法相較已有算法在弱梯度結(jié)構(gòu)的識別和保持以及多尺度、強梯度紋理的抑制和平滑等方面取得了具有優(yōu)勢的效果