【正文】 Feature extraction1. IntroductionFacial feature extraction is critical for facial expression analysis, model based coding and face recognition. A straightforward approach of automatic face recognition is based on geometrical features, which measure the relative positions and the shapes of the different facial features. Traditionally, eye, and mouth are considered to be the most significant features for face recognition Ref. [1].However, eyebrows and chin are useful cues for face recognition. Ref. [2] locates eyebrows by means of PCA based template matching while Ref. [3] finds a rectangular region enclosing the eyebrow based on clustering in HIS domain. However, Ref.[2] does not consider local edge features and Ref.[3] does not limit a local search area for clustering. Their results are not so good since information like bination of two line segments and rectangular region cannot represent eyebrow shape. Refs. [4–6] estimate chin contour using active contour models. Although these methods can estimate chin contours with good accuracy, they are not robust and are likely to fail if the chin contours are not clear and distinct. Methods that utilize human’s prior knowledge about chin contour are more [7,8], the chin contour is estimated by a deformable template consisting of two parabolas. Ref. [9] proposes a method to estimate the chin contour by using a deformable template of ellipse. These two deformable template based methods make use of human’s prior knowledge about the chin contour, however, their performance is not so good because parabolas and ellipse are too coarse to approximate the chin contour. Ref.[10] presents a simple method which estimates the chin contour using circular, triangular, and trapezoidal models. This method has good generalization but is very sensitive to image noise. In some early methods like [9], geometric features of eyebrow contours and chin contours are used for face recognition. However, few recent automatically face recognition methods make use of the shape of eyebrow contour and chin contour. One reason is that these contours estimated by existing methods sometimes can deviate wildly from the true contour. Another reason is the geometric features related to these contour are not robust for face recognition under varying pose. This paper proposes a novel method to extract eyebrow contours and chin contours given that the eye corners, mouth corners, and nose point are extracted. First, the feature region is limited to a local search area based on the given eye corners, upper eye boundary and the position points of the eyebrow. By separating the local search area into several subsearch areas and performing the spatial constrained Kmeans clustering in each subarea, we can obtain a rough eyebrow region. The contour of this region is used as the initial value then the accurate eyebrow contour is extracted by using snake method with effective image force. We notice that the position of the lowest point of the chin (called chin point in the following) relates closely to the positio。 Chin contour。本論文從各個方面做比較，驗證了形態(tài)學方法在圖像邊緣檢測中在細節(jié)上有很好的保留能力以及形態(tài)學的開閉運算具有很好的抗噪性能，并依據(jù)結構元素的形狀和結構元素的尺度說明形態(tài)學算子具有很大的靈活性。再通過對原圖像的加噪，研究并仿真單結構的形態(tài)學抗噪算子，驗證了形態(tài)學算子良好的抗噪性能。然后，本論文對形態(tài)學處理的基本應用做了介紹，主要包括擊中或擊不中變換，細化和粗化，形態(tài)學重構，形態(tài)學圖像平滑，圖像的骨架化及邊界像素值的測定，并且對這些基本應用部分進行了簡單仿真。本論文做的主要工作有：首先，本論文介紹了形態(tài)學的歷史和研究現(xiàn)狀，又進一步對研究形態(tài)學的必要性和意義做了介紹，指出了形態(tài)學方法的優(yōu)點。因此，當這些優(yōu)點與圖像處理技術結合以后，就為圖像處理技術大發(fā)展開辟了廣闊的空間。 結論數(shù)學形態(tài)學作為一種有效的圖像處理的非線性方法和理論，在圖像處理、模式識別和計算機視覺等領域都有非常重要的應用。 基于多尺度多結構的邊緣檢測將多尺度方法和多結構方法結合起來，我們可以構造出多尺度多結構元素的邊緣檢測方法，其具體思想如下[7]：第一步，在單一尺度上使用不同方向的結構元素進行檢測，將檢測的結果進行算術平均，得到圖像在單一尺度上的檢測結果；第二步，改變結構元素的尺度，在新的尺度上重復第一步操作，得到圖像在新尺度上的檢測結果；重復操作，直到得到所有尺度上的檢測結果。由圖49可以看出，采用多結構的結構元素，有利于保持圖像的各種邊緣信息，例如采用單一結構時，圖像方向的線條不夠平滑，出現(xiàn)了鋸齒狀，并且當在水平方向的邊緣達到很好的效果時，圖像的細節(jié)比較模糊，當采用多結構時，可以發(fā)揮各個結構元素的優(yōu)勢，互補不足，所以利用多結構元素處理的圖像所有的邊緣連續(xù)性比較好，而且細節(jié)也比較細膩。用不同方向上的結構元素檢測出圖像不同方向處的邊緣，再將各個不同方向上的邊緣組合在一起，可以減少圖像不同方向處邊緣信息的丟失。任取一個邊緣點，在該邊緣點附近沿其邊緣總能找到另一個邊緣點，且這兩個邊緣點的方向走向不會相差太大，但一個早生點沿其邊緣方向則很難找到與其灰度和方向都相差不大的點。為了達到濾除噪聲和提取圖像的多種類型邊緣的目的我們可以考慮多結構元素的方法。如果只采用一種結構元素，其輸出圖像信號中只包含了一種幾何信息，所以不利于圖像細節(jié)的保持。在圖形中不斷移動結構元素，便可考察出圖形各部分問的關系，采用不同的結構元素可以得出不同的結果。 基于單尺度多結構的邊緣檢測前面介紹的一般的形態(tài)邊緣檢測算法和抗噪形態(tài)邊緣檢測算法，尤其是修正后的抗噪形態(tài)邊緣檢測算法在邊緣檢測中能一定程度地抑制噪聲和保持邊緣細節(jié)，但以上算法皆采用同一種固定的結構元素作為邊緣檢測算子，抗噪聲的性能總是受限，而且單一的邊緣檢測算子在檢測各種幾何形狀的邊緣上也存在欠缺。由于大尺度的結構元素去除噪聲能力強，小尺度的結構元素去噪聲能力弱，因而可將小尺度的權值取得小一些，大尺度的權值取得大一些。為不同尺度結構元素檢測結果的加權系數(shù)，通過改變可以改變不同尺度的結構元素檢測得到的信息在最后結果中的權重。為了使結構元素序列里的各結構元素具有相似的形態(tài)，我們可以采用下面的辦法來構造一個多尺度結構元素序列： （417）即大尺度的結構元素由小尺度的結構元素多次膨脹來得到，這樣既實現(xiàn)了尺度增大，也保證了結構元素的形態(tài)不發(fā)生變化。先選擇個較小的結構元素，然后用形態(tài)類似的一系列較大的結構元素替換前一個構元素進行計算，最后，綜合不同結構元素的計算結果得到最終的邊緣檢測結果。當使用較大的結構元素時，噪聲的影響相對較小，而且檢測到的邊緣較粗；而當使用較小的結構元素時，抗噪性能明顯降低，但是保留了許多細節(jié)邊緣信號，檢測到的邊緣較細。其中圖(a)使用了的方形結構元素，圖(b)則使用了的方形結構元素。我們發(fā)現(xiàn)若要想使得形態(tài)邊緣檢測算子具有去噪功能，則形態(tài)邊緣檢測算子的結構元素尺度要大于或等于噪聲點的尺度，但是在實際的圖像處理中，雖然大尺度的結構元素去噪性能較好，有利于確定原圖像中物體的大體輪廓，但是同時原圖像中的一些小的細節(jié)卻被當作噪聲去掉了，出現(xiàn)漏檢；若是使用較小的結構元，根據(jù)形態(tài)學中形態(tài)運算的性質．明顯很難濾除圖像中的噪聲點，檢測結果的信噪比低，但是它的優(yōu)點是不會把原圖像中的小細節(jié)當作噪聲點，也即是說小尺度的結構元素好的細節(jié)保持能力。大尺度的結構元素有利于去除噪聲和圖像中景物大體輪廓的定位，而小尺度的結構元素則有利保持景物中的小細節(jié)，這就使得我們在形態(tài)學邊緣檢測算子的構造中使用多尺度結構元素的思想。也可以采用這種思想，首先在大的尺度上找到邊緣的大體位置，然后再在小的范圍內做小尺度細致的搜索。也就是說，首先看到的是外形中大的走向，然后是細致的變化關系。按照尺度空間的因果性,極值點會隨尺度增加而逐漸消失,如果把不同尺度下極值點按尺度間的對應關系有機地組織起來,那么它就自然地對應了一棵樹結構。最簡單的數(shù)學形態(tài)學方法是用一種膨脹腐蝕算子來構造膨脹腐蝕尺度空間,再就是通過開閉算子的削峰和填谷作用,用一系列不同大小的結構元素來生成開—閉尺度空間[18]。 基于多尺度單結構的邊緣檢測數(shù)學形態(tài)學的基本思想是用具有一定形態(tài)的結構元去度量和提取圖像中的對應形狀?；跀?shù)學形態(tài)學的邊緣信息提取處理優(yōu)于基于微分運算的邊緣提取算法，它不像微分算法那樣對噪聲敏感，同時，提取的邊緣也比較光滑，在邊緣檢測上既能夠體現(xiàn)圖像集合特征，很好地檢測圖像邊緣，又能滿足實時性要求。改進后的抗噪型形態(tài)學邊緣檢測算子是一種性能優(yōu)良的邊緣檢測算法。灰度膨脹運算在結構元素的值為正時，使輸出圖像趨向比輸入圖像亮，同時暗細節(jié)被削減或去除，而灰度腐蝕運算在結構元素的值為正時，使輸出圖像趨向比輸入圖像暗，同時亮細節(jié)被削弱或去除。 (a)加入椒鹽噪聲的圖像 (b)log算子 (c)腐蝕型 (d)抗噪膨脹型 (e)抗噪腐蝕型 (f)抗噪膨脹腐蝕型圖46 加入椒鹽噪聲后邊緣檢測結果對比 (a)加入高斯噪聲的圖像 (b)log算子 (c)腐蝕型 (d)抗噪膨脹型 (e)抗噪腐蝕型 (f)抗噪膨脹腐蝕型圖47 加入高斯噪聲后邊緣檢測結果對比綜合椒鹽噪聲圖像和高斯噪聲圖像的檢測結果，我們可以看到，無論是對椒鹽噪聲還是高斯噪聲都有較好的抗噪性能。不同的結構元素會處理處不同的效果，同樣，不同的尺度也會有不同的效果。同加入椒鹽噪聲后處理的結果一樣，抗噪型算子的抗噪性能明顯優(yōu)于普通的邊緣檢測算子和形態(tài)學算子。圖47是對原圖像加入高斯噪聲后的圖像處理的結果。由圖46可以看出，加入椒鹽噪聲后的圖像，由log算子處理的結果對噪聲的抑制能力很弱，常規(guī)的腐蝕型形態(tài)學算子由于受到噪聲的影響，處理的邊緣斷點較多，抑噪能力也特別弱。由于形態(tài)學中開運算、閉運算、閉—開運算和開—閉運算可以有效抑制圖像中的峰值(正脈沖)和谷底(負脈沖)噪聲，因此，將上節(jié)的算法進行改進，得到如下相對應的抗噪型的