本发明属于图像处理技术，具体涉及一种基于形态学的目标特征提取方法。

背景技术：

特征提取是图像识别的关键技术，图像的特征有颜色特征，纹理特征，几何特征等等。目标的几何特征是图像识别中常用的特征。通常目标几何特征参数主要有：周长、面积、最长轴、方位角、边界矩阵和形状系数等。准确的对目标的形状进行描述是图像识别的难题之一。如何细致的描述目标图像的边缘细节，同时有获取目标的大致形状信息是需要继续探索的问题。

技术实现要素：

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于形态学的目标特征提取方法，本发明对目标图像进行多次形态学腐蚀处理，利用腐蚀前后的图像计算原图像和腐蚀后的目标的长轴和短轴比值、复杂度；腐蚀后中心的偏移量和偏转角度；腐蚀后图像目标边缘距离中心的距离的方差和均值以及腐蚀掉部分的形态学复杂度(腐蚀掉部分面积除以腐蚀掉面积的内边缘长度)作为目标图像的特征。通过多次对目标图像的腐蚀分解，同时获取了目标的边缘细节描述和总体形状近似描述。

技术方案：本发明的一种基于形态学的目标边缘特征提取方法，包括以下步骤：

(1)生成单一目标图像：将原图像进行二值化处理，并使目标像素为1，背景像素为0，然后对处理后的二值化图像进行空洞填充，将面积最大的目标图像单独保存为待分析图像，并统一尺寸(例如[360,360])；

(2)计算该原始目标图像A0的长短轴比值、复杂度、图像目标中心点C0、边缘距离中心点的距离的均值和方差。

(3)设定腐蚀运算的结构元素形状、大小和腐蚀的次数：选取盘状结构元素，设定腐蚀的次数N，结构元素的大小定为

(4)利用结构元素对上述目标图像进行N次腐蚀操作，N次腐蚀后的图像则分别为A1,A2,…,AN；

(5)利用腐蚀前后的图像计算目标的特征：计算A1，……，AN的长轴和短轴的比值以及复杂度，并利用计算腐蚀掉部分的复杂度，其中sj和Lj为第j次腐蚀后图像的面积和周长；

(6)计算腐蚀后图像A1，……，AN对应的中心C1，……，CN相对于腐蚀前图像A0的中心C0的偏移距离；利用中心线C1－C0和C2－C0，……CN－C0计算中心线的偏转角度；

(7)计算腐蚀后图像的边缘点坐标，计算边缘点到中心Cj的距离，求取所有边缘点到中心点距离的方差和均值；

在步骤(3)中，对目标图像进行形态学腐蚀，腐蚀掉的图像部分包含目标的边缘细节信息，腐蚀后剩余的部分为目标的近似形状，包含目标的趋势部分信息。每次形态学腐蚀运算都将图像分解为细节和近似部分，多次腐蚀操作实现了对目标图像的多层次分解。

在步骤(5)中即计算腐蚀后图像的复杂度，又计算腐蚀掉部分的复杂度，利于对目标的充分描述。

在步骤(6)中计算每次腐蚀后图像的中心点相对原初始目标图像A0的中心点的偏移的距离和前后两次腐蚀中心点对象原中心点的偏转的角度，描述了多层次腐蚀分解后的图像细节的分布变化规律。

在步骤(7)中计算每次腐蚀后图像的边缘相对于当前的中心点的距离的均值和方差，一方面描述了腐蚀后的形状，另一方面描述了每次腐蚀后的变化。

有益效果：本发明提取的特征仅在将单一目标统一尺寸为[360,360]时受目标图像的方向角的影响，形态学腐蚀和长短轴比值、复杂度、形态学复杂度、中心偏移距离、偏转角度以及腐蚀后边缘到中心的距离的均值和方差都是旋转不变量，不受目标方向角的影响，有利于目标的识别。且整个提取过程是将目标逐层腐蚀，逐层求取特征，实现对目标的逐层细致描述。

附图说明

图1为本发明的流程图；

图2为实施例中待分析的小车的图片；

图3为实施例中5次形态学腐蚀的结果图；

图4为实施例中5次形态学腐蚀后的长短轴比例、复杂度、形态学复杂度和两次腐蚀中心点偏转角度随着形态学分解次数的变化；

图5为实施例中5次形态学腐蚀后的中心点偏移距离、目标边缘距离中心点的距离的方差和均值。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

如图1所示，本发明的一种基于形态学的目标边缘特征提取方法，包括以下步骤：(1)生成单一目标图像：将图像进行二值化处理，并使目标像素为1，背景像素为0，对图像进行空洞填充，将面积最大目标图像单独保存为待分析图像，并统一尺寸；(2)计算该原始目标图像A0的长短轴比值、复杂度、图像目标中心点C0、边缘距离中心点的距离的均值和方差。(3)设定腐蚀运算的结构元素形状、大小和腐蚀的次数：选取盘状结构元素，设定腐蚀的次数N,结构元素的大小定为(4)利用结构元素对目标图像进行腐蚀操作，N次腐蚀后的图像则分别为A1,A2,…,AN；(5)利用腐蚀前后的图像计算目标的特征：计算A1，……，AN的长轴和短轴的比值以及复杂度；计算腐蚀后图像A1，……，AN的中心C1，……，CN相对于腐蚀前图像A0的中心C0的偏移距离；利用中心线C1－C0和C2－C0，……CN－C0计算中心线的偏转角度；(6)计算腐蚀后图像的边缘点坐标，计算边缘点到中心Cj的距离，求取所有边缘点到中心点距离的方差和均值；(7)利用计算腐蚀掉部分的复杂度，其中sj和Lj为第j次腐蚀后图像的面积和周长，j的取值范围为1～N。

实施例：

本实施例在matlab R2016b软件中实现。

首先将将图像进行二值化处理，并使目标像素为1，背景像素为0，对图像进行空洞填充，使用bwlabel函数结合regionprops函数寻找面积最大目标图像单独保存为待分析图像，并统一尺寸[360,360]；选取盘状结构元素，设定腐蚀的次数N,结构元素的大小定为360/(2*(N+2))；利用结构元素对目标图像进行腐蚀操作，该原目标图像记为A0。再次使用bwlabel函数结合regionprops函数求取原始目标的面积、长短轴、中心、边缘点；利用面积和边缘长度求取复杂度，利用长短轴长度求取长短轴比值，利用边缘点的坐标和中心点坐标计算边缘点到中心的距离的均值和方差。对图像进行第一次腐蚀，腐蚀后图像记为A1，同样使用bwlabel函数结合regionprops求取腐蚀后图像的面积、长短轴、中心、边缘点，同样计算复杂度长短轴比值和边缘点距离中心的均值和方差，另计算定义为腐蚀掉部分的形态学复杂度，其中S0为A0的面积，S1和L1为A1的面积和周长。计算A1的中心C1和A0的中心C0的距离，最为腐蚀后中心的偏移量。同时计算C1和C0两点连线的方向角。再次腐蚀计算上述特征量，另计算C1和C0的方向角和C2和C0的方向角的差值作为目标中心的偏转角度。根据设定的腐蚀的次数，逐次计算腐蚀后的上述全部特征。

本发明利用结构元素对目标图像进行多次腐蚀，对腐蚀后图像和腐蚀掉的图像分别求复杂度值，并求取腐蚀前后的长轴和短轴的比例作为目标的特征，包含了目标图像的细节边缘信息和近似趋势项信息，计算每次腐蚀后中心点的偏移量和偏转角度，描述腐蚀掉部分的质量分布，计算腐蚀后边缘到中心的距离的均值和方差，描述了腐蚀后图像的大小和复杂程度。计算每次腐蚀后的特征实现较为完备的形状描述，利于目标的识别。逐层分解后参数的变化也是反映目标形状的指标。

在为了验证其可行性，本实施例以图2汽车为例进行分析。5次形态学腐蚀的结果见图3。5次形态学腐蚀后的长短轴比例、复杂度、形态学复杂度和两次腐蚀中心点偏转角度随着形态学分解次数的变化见图4，形态学腐蚀后的中心点偏移距离、目标边缘距离中心点的距离的方差和均值见图5。本发明主要涉及形态学运算和连通区域求解两类运算，兼顾特征描述准确率和实时性的要求，能满足一定条件下的需要。