模糊形态学技术及其在图像处理中的应用

论文摘要

在进行图像处理时，图像的结构特征非常明显，如果抓住了这一特征，那么在进行图像处理时将会减少大量的处理时间。由于形态学技术在进行图像处理时，充分考虑到了图像的结构特征，因此相对于其他图像处理方法而言，形态学技术具有独特的结构特征优势。本文在探讨了模糊形态学部分性质的背景下，研究利用模糊形态学技术在图像处理中的应用，主要在以下方面取得了一些成果： （1） 分析和证明了模糊测地形态学算子的α-截集分解与重构特性。由于形态学操作P的过程是将一幅原图像A经由B，变换为一幅新图像P（A，B）。很显然在模糊形态学概念中，原图像A即是一个模糊集，新图像P（A，B）也是模糊集。所以模糊形态学的四个基本操作是应该满足分解定理的。虽然在构造模糊形态学算子的常用是将二值形态学算子直接平滑过渡到模糊领域，但由于算子的特殊性，仍然有必要对模糊形态学算子的α-截集分解问题作一个探讨。这里研究了由I．Bloch提出的模糊测地形态学有关算子的α-截集分解和重构问题，结果表明采用合适的三角模和反三角模算子，可以使出对应的二值形态学算子导出的模糊形态学算子有很好的特征匹配性。 （2） 提出了一种基于模糊形态学技术的白细胞识别算法。该算法主要是将常用图像处理时采用的RGB色彩空间变换为HLS空间，并结合模糊形态学技术来实现对白细胞图像的分割和提取。实验表明，与其他方法比较起来，这种新方法具有很大的优势。同时在某些细胞自动识别系统中，还需要对白细胞进行分类工作，因此我们对Fisher鉴别准则作了必要的修正，并基于新的鉴别准则设计了最大散度差分类器；然后探讨了当分类器参数C趋向无穷大时，最大散度差分类器的极限情况，得到了大间距线性投影分类器，并用改进的分类器对白细胞识别结果进行了分类，分类结果满意。 （3） 提出了一种新型的模糊形态学神经元模型，应用此神经元模型，构造了两类网络。一类是模糊形态学前馈神经网络，分析了其函数逼近能力，并通过前馈网络的实例模糊形态学BP网络（FMNN-BP），来研究其分类能力；另一类是一个基于模糊算子对的形态学联想记忆（MAM-FO），探讨了这种网络在处理二值模式和多值模式下的图像处理能力。 （4） 构造了一种模糊形态学击中／丢失算子（Fuzzy Hit-Miss），在此基础上结合形态学神经网络（MSNN），提出了一种基于模糊击中／丢失算子的模糊形态学网络（FMSNN）。考虑到在细胞自动识别系统中，由于技术和操作上的原因，会导致采集的细胞图像中存在干扰，从而造成检测结果的误差。这里采用FMSNN

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 研究的目的和意义
• 1.2.1 图像处理中目标子图像的形态信息
• 1.2.2 形态学方法的基本思想
• 1.2.3 模糊形态学技术研究的热点
• 1.3 模糊形态学技术研究进展
• 1.3.1 模糊形态学在国外的研究进展
• 1.3.2 模糊形态学理论在国内的研究进展
• 1.4 论文的主要研究工作与创新点
• 1.4.1 主要研究工作
• 1.4.2 论文创新点
• 1.5 本文内容安排
• 2 模糊形态学基本理论
• 2.1 概述
• 2.2 二值形态学
• 2.2.1 二值图像
• 2.2.2 二值结构元素（Binary Structure Element）
• 2.2.3 二值形态学基本算子（Binary Operator）
• 2.2.4 二值形态学在图像处理中的应用
• 2.3 模糊形态学（Fuzzy Mathematical Morphology）
• 2.3.1 图像的模糊性
• 2.3.2 图像的模糊化（Fuzzification）
• 2.3.3 模糊形态学理论
• 2.4 基于三角模与反三角的模糊形态学理论
• 2.4.1 三角模与反三角模
• 2.4.2 基于三角模与反三角模的普通集与模糊集的转换
• 2.4.3 基于三角模的模糊形态学算子
• 2.4.4 模糊算子的截集兼容性
• 2.5 本章小结
• 3 模糊测地形态学算子截集性质研究
• 3.1 概述
• 3.2 基于测地圆（Geodesic balls）的二值形态学
• 3.2.1 测地距离（Geodesic distance）
• 3.2.2 测地圆（Geodesic balls）
• 3.2.3 二值测地形态学（Binary Geodesic Morphology,简称BGMM）
• 3.3 基于模糊测地圆（Fuzzy Geodesic balls）的模糊形态学
• 3.4 模糊测地算子的α-截集分解
• 3.4.1 预备知识
• μ^r（v）的α-截集分解'>3.4.2 模糊测地膨胀操作D_μ^r（v）的α-截集分解
• 3.4.3 模糊测地腐蚀算子的α-截集分解
• 3.4.4 模糊测地开和闭算子的分解问题
• 3.5 模糊测地膨胀算子的重构
• 3.6 本章小结
• 4 模糊形态学方法在白细胞检测中的应用
• 4.1 概述
• 4.2 白细胞图像自动识别过程及难点
• 4.3 白细胞识别的国内外研究进展
• 4.3.1 数学形态学方法
• 4.3.2 模糊逻辑方法
• 4.4 基于模糊形态学操作与散度差分类器的白细胞检测算法
• 4.4.1 模糊形态学基本操作
• 4.4.2 最大散度差分类器
• 4.4.3 算法思想
• 4.4.4 算法详细介绍
• 4.5 实验结果及比较
• 4.5.1 白细胞识别结果
• 4.5.2 白细胞分类结果
• 4.6 本章小节
• 5 新型模糊形态学神经元模型研究
• 5.1 引言
• 5.2 模糊形态学神经元模型
• 5.2.1 传统神经元模型
• 5.2.2 形态学神经元模型（Morphological Neuron Model）
• 5.2.3 模糊形态学神经元模型
• 5.3 模糊形态学前馈网络
• 5.3.1 模糊形态学前馈网络的函数逼近能力
• 5.3.2 模糊形态学BP网络的应用
• 5.4 基于模糊算子对的形态学联想记忆网络（Morphological Associative Memories Based on Fuzzy Operators）
• 5.4.1 传统联想记忆网络
• 5.4.2 形态学联想记忆网络（Morphological Associative Memories）
• 5.4.3 基于模糊算子对的形态学联想记忆网络（Morphological Associative Memories Based on Fuzzy Operators）
• 5.4.4 仿真实验
• 5.5 本章小结
• 6 新模糊形态学击中-丢失算子及其应用研究初探
• 6.1 引言
• 6.2 预备知识
• 6.2.1 白细胞处理中的几类问题
• 6.2.2 二值形态学击中／丢失（hit／miss）操作
• 6.2.3 二值形态学神经网络（Morphological Shared-Weight Neural Netowrks,简称MSNN）
• 6.3 基于模糊击中／丢失（fuzzy hit／miss）算子的模糊形态学神经网络（Fuzzy Morphological Shared-Weight Neural Netowrks,简称FMSNN）
• 6.3.1 模糊形态学击中／丢失（fuzzy hit／miss）操作
• 6.3.2 模糊形态学神经网络（Fuzzy Morphological Shared-Weight Neural Netowrks,简称FMSNN）
• 6.4 FMSNN用于白细胞识别／定位／计数
• 6.5 实验结果
• 6.6 本章小节
• 结束语
• 结论
• 展望
• 致谢
• 参考文献
• 博士期间论文撰写情况