[发明专利]一种基于软数理形态算子的斑点检测方法及系统

说明书

本发明提出了一种基于软数理形态滤波器的斑点检测方法，包括以下步骤：步骤1：输入灰度图像；步骤2：对滤波器的参数进行设定；步骤3：对输入图像进行SMQ_A滤波处理；步骤4：获取候选斑点图像；步骤5：对候选斑点进行筛选；步骤6：根据mask图像对候选斑点图像施行SMQ_B滤波处理；步骤7：获得SMQ_B的滤波图像；步骤8：从SMQ_B滤波图像获取斑点形状和位置。本发明从理论和实验两方面都验证了SMBD比基于数理形态学的同类斑点滤波器Quoit和N‑Quoit具有更好的抗噪声和形状复原能力。此外，本发明还与不同类的最常用的LoG和DoH斑点检测器作了对比实验，SMBD也获得了明显好的结果。本发明提出了一种基于软数理形态滤波器的斑点检测系统。

技术领域

本发明属于图像处理和计算机视觉技术领域，具体涉及数理形态滤波，尤其涉及基于软数理形态算子的斑点检测方法及系统。

背景技术

斑点通常指与周围领域有着颜色或灰度差别的区域。由于斑点代表的是一个区域，相比单纯的角点，它的稳定性要好，抗噪声能力要强。斑点检测是计算机视觉的重要技术，它在许多领域里得到了应用：医学图像处理[1][2][13][14]，视频监控[15][16]，机器人[17][18][19]，航空系统[20][21][22]等。

LoG(Laplacian of Gaussian)[4]是一种常用的斑点检测器，它对于径向对称斑点的检测比较有效，但它的时间复杂度比较高。为了降低LoG的时间复杂度，文献[5]提出了DoG(Difference of Gaussian)斑点检测器，它用高斯差分运算近似代替LoG的高斯拉普拉斯运算。为了改善LoG对径向不对称斑点的检测性能，文献[6]提出了gLoG(GeneralizedLaplacian of Gaussian)斑点检测器，gLoG利用不同的高斯核将检测扩展到旋转非对称结构，从而能够检测出旋转对称和非对称的一般椭圆结构的斑点。此外，Miao[7]等人提出了一种基于ROLG(Rank Order Laplacian of Gaussian)的斑点检测算法，通过设置秩排序操作使滤波器对噪声有较好的鲁棒性。

另一个比较常用的斑点检测器是DoH(Determinant of Hessian)[4]，它采用Hessian矩阵，该矩阵的行列式用于检测单个尺度上的斑点。为了从图像中提取尺度更小的斑点，在DoH的基础上，分别提出了HLoG(Hessian-based Laplacian of Gaussian)[8]和HDoG(Hessian-based Difference of Gaussian)[9]这两个斑点检测器。

上述斑点检测算法都不是仿射不变的，于是仿射协方不变斑点检测算法得到了研究，其中比较有影响力的研究是matas[10]提出了最大稳定极值区域(Maximally StableExtremal Regions，MSERs)的特征检测方法。该方法借用分水岭的思路用于检测图像中灰度最稳定的局部区域，然后对检测区域进行旋转和尺寸归一化，最后得到的局部特征具有严格意义上的仿射不变性。MSER是寻找符合“面积变化率最小”这一测度的斑点区域，而不是寻找符合指定尺寸的斑点。

除了LoG、DoH和MSERs这3个经典的斑点检测器以及他们的变体之外，还有一些其它类型的斑点检测算法[11][12]。

文献[11]提出了一种基于Shearlet(Shearlet是一种具有定向的多尺度框架)的blob检测器SBD(具有尺度不变性)和局部特征描述子SLD。把图像变换到Shearlet域后，SBD通过在相邻尺度空间的3×3×3领域里寻找局部极值点，这些极值点具有尺度不变特性。也就是说SBD虽然被冠名为斑点检测器，但其实不是用来在图像域里检测符合指定大小的斑点，而是在Shearlet变换域里寻找局部极值点。