Filaments are a type of wide-existing astronomical structure. It is a challenge to separate filaments from radio astronomical images, because their radiation is usually weak. What is more, filaments often mix with bright objects, e.g., stars, which makes it difficult to separate them. In order to extract filaments, A. Men’shchikov proposed a method “getfilaments” to find filaments automatically. However, the algorithm removed tiny structures by counting connected pixels number simply. Removing tiny structures based on local information might remove some part of the filaments because filaments in radio astronomical image are usually weak. In order to solve this problem, we applied morphology components analysis (MCA) to process each singe spatial scale image and proposed a filaments extraction algorithm based on MCA. MCA uses a dictionary whose elements can be wavelet translation function, curvelet translation function, or ridgelet translation function to decompose images. Different selection of elements in the dictionary can get different morphology components of the spatial scale image. By using MCA, we can get line structure, gauss sources, and other structures in spatial scale images and exclude the components that are not related to filaments. Experimental results showed that our proposed method based on MCA is effective in extracting filaments from real radio astronomical images, and images processed by our method have higher peak signal-to-noise ratio (PSNR).

中文翻译：

---

基于射电天文图像形态成分分析的细丝提取

细丝是一类广泛存在的天文结构。将细丝与射电天文图像分开是一个挑战，因为它们的辐射通常很弱。而且，细丝经常与明亮的物体混合，例如星星，这使得它们难以分离。为了提取细丝，A。Men'shchikov提出了一种“自动获取细丝”的方法。但是，该算法通过简单地计算连接的像素数来删除微小的结构。根据本地信息删除微小结构可能会删除某些细丝，因为射电天文图像中的细丝通常较弱。为了解决这个问题，我们应用形态学成分分析（MCA）来处理每个单一的空间尺度图像，并提出了一种基于MCA的细丝提取算法。MCA使用字典，其元素可以是小波平移函数，curvelet平移函数或ridgelet平移函数来分解图像。字典中元素的不同选择可以获得空间比例图像的不同形态成分。通过使用MCA，我们可以获得空间比例图像中的线结构，高斯源和其他结构，并排除与细丝无关的分量。实验结果表明，我们提出的基于MCA的方法可以有效地从真实的射电天文图像中提取细丝，并且使用该方法处理的图像具有更高的峰值信噪比（PSNR）。字典中元素的不同选择可以获得空间比例图像的不同形态成分。通过使用MCA，我们可以获得空间比例图像中的线结构，高斯源和其他结构，并排除与细丝无关的分量。实验结果表明，我们提出的基于MCA的方法可以有效地从真实的射电天文图像中提取细丝，并且使用该方法处理的图像具有更高的峰值信噪比（PSNR）。字典中元素的不同选择可以获得空间比例图像的不同形态成分。通过使用MCA，我们可以获得空间比例图像中的线结构，高斯源和其他结构，并排除与细丝无关的分量。实验结果表明，我们提出的基于MCA的方法可以有效地从真实的射电天文图像中提取细丝，并且使用该方法处理的图像具有更高的峰值信噪比（PSNR）。