脊检测

脊检测是通过软件尝试定位图像中的脊（或边缘）。

简介在数学和计算机视觉中，两个变量的光滑函数的脊（或脊集）是一组曲线，其点在一个或多个方面要被精确地定义在下面，该函数的局部最大值在至少一个尺寸。这个概念捕捉了地理山脊的直觉。对于N个变量的函数，它的脊是一组曲线，其点是N-1维中的局部最大值。在这方面，脊点的概念扩展了局部最大值的概念。相应地，可以通过用局部最小值的条件替换局部最大值的条件来定义函数的谷的概念。脊集和谷集的联合以及一组称为连接集的相关点形成了一组相连的曲线，这些曲线在功能的临界点处分割，相交或相交。这种联合被称为函数的相对临界集合。

脊集，谷集和相对临界集代表函数固有的重要几何信息。从某种意义上说，它们提供了函数重要特征的简洁表示，但它们可用于确定函数全局特征的程度是一个悬而未决的问题。创建脊检测和谷检测程序的主要动机来自图像分析和计算机视觉，并捕捉图像域中细长物体的内部。在流域方面，与岭相关的表示已被用于图像分割。还有人尝试通过基于图形的表示来捕捉对象的形状，这些表示反映了图像域中的脊，谷和关键点。然而，如果仅以单一比例计算，这样的表示可能对噪声敏感度很高。由于尺度空间理论计算涉及与高斯（平滑）核的卷积，因此希望在尺度空间理论的情况下使用多尺度的脊，谷和临界点应该允许更多的物体的鲁棒表示（或形状）。

在这方面，山脊和山谷可以看作是对自然兴趣点或局部极值点的补充。通过适当定义的概念，强度景观中的山脊和山谷（或从强度景观导出的某些其他表示形式）可以形成尺度不变的骨架，用于组织对局部外观的空间限制，其与Blum的内侧二维变换为二值图像提供了一个形状框架。在典型应用中，脊和谷描述符通常用于检测航拍图像中的道路和检测视网膜图像或三维磁共振图像中的血管。

脊检测所处理的图像为灰度图像。其中,脊是图像中灰度值相对较小(亮度较暗)的纹理部分。脊检测将灰度指纹图像转换成黑白指纹图像,所产生的指纹脊图案经过细化后,用于节点特征的提取。因此,脊检测的性能对于节点的特征的提取质量有着直接的影响。此外,为提高图像处理的实时性,脊检测算法的复杂度不能太高。般从灰度
指纹图像中检测出脊信息面临以下难点1。

首先,由于灰度指纹图像中相邻像素间灰度变化缓慢的特点,脊检测将遇到脊边界模糊的困难。同时,灰度指纹图像中各局部范围的对比度常不一致,导致难以确定适当的判决闽值,容易产生漏检测或脊粘连。其次,指纹采集过程中的噪声污染(如手指上的压痕或汗渍等)经常引起指纹图像中的断点或粘连点。这些由于噪声引起的异常节点,会降低指纹比对的准确度,需要在脊检测过程中尽量排除这些噪声的影响。

脊检测在图像中的应用在金相图像中,区域块的边界是相对突出和显著的。图像中所有的边界线有连续的亮度和宽度。这为分割区域块提供了重要信息。因为形状不规则和非连续性,边缘检测的分割方法效果不明显。

脊检测成功应用于指纹和血管分析中,因此可以尝试采用该方法替代边缘检测。首先,简单说明脊的概念。数
学上,脊定义为最大面曲率方向上的极值点,可通过计算Hessian矩阵的特征值进行检测。固定尺度脊向量对
目标宽度是非常敏感的。它使得尺度参数随着图像中脊结构进行自动调节。

值得注意的是,即使脊能够很好地描述不同宽度和方向的边界,检测仍然会出现错误。研究中尽量减少误检错误(例如漏检率)。由于分水岭算法存在过分割,可以结合脊检测进行图像分割。

脊检测的迭代分水岭方法脊检测的迭代分水岭方法2概括如下:

应用脊约束初始化分水岭

1)双阈值种子检测;

2)向量空间脊检测;

3)叠加脊作为最高吃水线,标记吸水盆地为种子;

4)完成一次分水岭算法;应用贝叶斯法则迭代分水岭；

5)设置区域块概率和特征概率;

6)贝叶斯伪模块分类;

7)“双赢”合并;

8)重复以上步骤1)～ 7)直到没有需要合并的模块,或者达到了最大的迭代次数。

本词条内容贡献者为:

李嘉骞 - 博士 - 同济大学