多变量形态学分水岭理论及其在多通道图像处理中的应用研究

The theory of morphological watershed has been widely used in single channel image processing. It is a hot and difficult topic to extend the applications of the theory of morphological watershed to multi-channel images(color and hyperspectral images) and construct the theoretical model of multivariate morphological watershed. Based on the classical morphological watershed theory, this project aims to do a series of in-depth researches on the construction of theoretical model of multivariate morphological watershed and extension of the theoretical applications in multi-channel image processing. These researches include: (1) to study on multivariate extremum estimation algorithms based on depth function and random projection, (2) to study on the duality and self-duality of multivariate morphological operators, (3) to explore the relationship between the size of structure elements and the multivariate gradient amplitude, (4) to construct the gradient reconstruction operators based on spatial variational structure elements, (5) through theoretical analysis and experiments, to construct multivariate local extremum optical model which is based on morphological extensional H-minima and minimal spanning tree, (6) to explore the constrain relationship between spectral and spatial information, and finally construct a theoretical model of multivariate morphological watershed which will provide theoretical and technological support for perfecting(refining) the basic theory of mathematical morphology and realizing the accurate segmentation of multi-channel images, and the accurate classification of hyperspectral remote sensing images and object recognition.

形态学分水岭理论已广泛应用于单通道图像处理，而拓展形态学分水岭理论到多通道图像(彩色图像、高光谱图像)处理并建立多变量形态学分水岭理论模型是当前的一个热点和难点问题。本项目以经典形态学分水岭理论为基础，围绕构建多变量形态学分水岭理论模型、拓展多变量形态学分水岭理论在多通道图像处理中的应用问题开展深入研究。重点研究基于深度函数结合随机投影理论的多变量极值估计算法；研究多变量形态学算子的对偶性及自对偶特性；探明结构元素尺寸与多变量梯度幅值的函数关系，构建基于空间变结构元素的多变量梯度重建算子；通过理论分析和实验，建立基于形态学扩展最小变换(H-minima)结合最小生成树的多变量局部极值优化模型；探明谱-空间信息的约束关系，最终建立多变量分水岭理论模型，为完善形态学基础理论并实现多通道图像精确分割、高光谱遥感影像地物准确分类及目标识别提供理论和技术支撑。

本项目以数学形态学分水岭理论及图像分割理论为基础，在建立多变量形态学分水岭理论理论体系、实现高效的图像分割算法、拓展形态学分水岭理论在多通道图像处理中的应用问题开展了深入研究，取得了一系列研究成果： .（1）针对多变量形态学理论，课题组提出了基于对称距离（SD）的矢量排序算法，SD满足形态学算子的对偶及自对偶特性，因此具有更好的拓展能力，可以更为广泛地应用于多变量形态学算子的构建；（2）为了克服单一尺度结构元素等同处理具有不同局部特征的图像像素，提出了自适应形态学梯度重建算法，解决了梯度图像中的局部极小值抑制问题，实现了基于分水岭算法的高质量图像分割结果；（3）改进的模糊聚类算法通常整合局部邻域信息到目标函数中，由此导致计算复杂性较高的问题，对此，提出了一种基于形态学重建与隶属度滤波的模糊C均值聚类算法（FRFCM）。给出的FRFCM利用形态学重建滤波获取自适应局部空间信息，并利用隶属度滤波替代邻域信息的计算，从而有效改善算法的计算效率；（4）提出一种基于超像素的FCM算法（SFFCM），给出的SFFCM算法利用多尺度形态学梯度重建（MMGR）结合分水岭变换实现图像的超像素分割，超像素结果有利于实现彩色图像的直方图计算，从而有效简化原彩色图像以实现快速聚类；（5）传统基于遥感影像的滑坡检测方法依赖于特征提取及分类器选择，然而，由于滑坡特征提取困难，导致传统方法对滑坡的识别率较低。针对该问题，提出一种基于深度卷积神经网络的滑坡检测方法，该方法具有三个方面的优势。首先，给出的方法是全自动端到端的方法；其次，给出的深度卷积网络能够综合低层与高层语义特征从而得到表达能力更强的组合特征；最后，选用金字塔池化模块以实现多尺度池化，解决传统卷积神经网络采用单尺度池化的缺陷。.本项目为多变量形态学分水岭理论体系的形成奠定了基础，不仅拓展了数学形态学理论在彩色图像、遥感图像处理中的应用，而且解决了当前图像分割领域的部分难题。