针对多模态图像的自适应引导形态学设计

针对传统数学形态学(TMM)细节保持能力较差,以及现有自适应改进方法数学性质丢失的问题,提出了一种针对多模态图像的自适应引导形态学(GAMM)。首先,通过考虑输入图像和引导图像的联合信息进行结构元素的构建,从而在一定程度上增强了相应算子对噪声的鲁棒性;其次,借助3σ原则,使结构元素成员的选取能够自适应于图像内容;最后,利用稀疏矩阵的哈达玛积对结构元素施加一个对称性约束。理论证明和仿真实验均表明所提形态学的相应算子能够同时具备保序性和附益性等重要数学性质。在多模态图像上进行去噪实验,结果表明GAMM比TMM以及近年所提出的鲁棒自适应形态学(RAMM)在峰值信噪比(PSNR)上高出约2~3 dB;同时,主观视觉效果对比表明了GAMM在噪声去除、结构保持方面明显优于TMM和RAMM。