基于多尺度多方向结构元素的形态学图像边缘检测算法

为进一步改善图像处理中的噪声抑制和边缘检测性能,提出了一种多尺度多方向结构元素形态学图像边缘检测算法.该算法基于数学形态学中结构元素的方向性差异,充分利用了腐蚀、膨胀、开、闭及其变换和组合运算.对图像进行去噪、边缘提取等预处理操作,以提高图像的信噪比和边缘细节;利用递归的多尺度多方向结构元素形态学滤波得到图像的初始轮廓;利用多尺度形态学和多方向结构元素进行图像边缘检测.实验结果表明提出的算法抗噪性强,能有效准确地提取边缘信息.     

多尺度滤波和自适应标记提取的分水岭新算法

为了克服分水岭算法中的过分割问题,提出了一种基于多尺度滤波和自适应标记提取的分水岭新算法.首先对HSV空间中的V分量进行多尺度滤波,并把滤波后的图像转换到RGB空间;再计算梯度,并对其进行多尺度滤波;然后利用H-minima变换进行自适应标记提取;最后对修改后的梯度图像进行分水岭变换.实验结果表明:与其他改进的分水岭算法相比,此算法对于改善过分割现象有明显的效果,能够获得具有实际意义且更合理的分割区域.     

一种基于形态学的多结构元素多尺度图像边缘检测方法

提出了一种基于数学形态学算子的多结构元素多尺度边缘检测方法,首先构造6种具有代表性的结构元素,用改进的形态学边缘检测算子对灰度图像进行边缘检测,然后改变结构元素的尺寸大小得到多尺度下的边缘图像,根据不同尺度抗噪性能不同来确定权值,将不同尺度下的边缘图像合成,得到在噪声存在条件下较为理想的图像边缘,实验结果表明,与传统边缘检测算法相比,该算法在保持图像边缘清晰的同时,有很强的去除噪声能力,具有一定的实用性和可行性.     

基于多尺度多结构形态学火焰图像边缘检测

针对从工业锅炉采集到的火焰图像边缘形态和噪声的不同,以数学形态学梯度边缘检测算子为基础,结合多结构元素和多尺度的特性,提出了一种基于多尺度多结构数学形态学图像边缘检测算法,并将其应用于火焰图像的边缘检测。仿真结果表明,与经典的Sobel算子、Canny算子和传统的算法相比,提出的算法具有边缘定位准确、轮廓清晰、图像细节保留较多、噪声不敏感等显著优点。     

基于多尺度多结构元的彩色形态学边缘检测

针对图像中的几何特征和噪声特性,文章提出了一种基于多尺度多结构元的彩色形态学边缘检测算法。该方法首先在HSL空间定义了多结构元彩色形态学基本算子,在此基础上利用不同尺度的结构元素提取彩色图像边缘,然后用多尺度合并算法对各个边缘进行合成以得到边缘检测结果。经大量的实验证明,多尺度多结构元的彩色形态边缘检测有着比单一尺度结构元的彩色形态边缘检测更优越的性能,在有噪声干扰的情况下,和传统的方法相比,该算法能更好地抑制噪声并且提取更多有用的边缘信息,满足不同的应用需求。     

多尺度形态学边缘检测算法

形态学作为一门新兴的非线性图像处理技术,已得到人们的广泛关注,并应用于图像处理的许多方面。文中提出了一种结合形态学滤波的边缘检测算法,该算法采用自适应方法确定锥形结构元素,然后利用双锥形结构元素对图像进行形态学迭代滤波,对滤波后的图像进行多尺度形态学边缘检测,并将各尺度下边缘检测的结果进行合成,最终得到在噪声存在条件下较为理想的图像边缘,并且与其它边缘检测算法进行了对比实验,实验验证了该算法的可行性和有效性。     

基于多尺度形态学的弱目标图像处理方法

提出一种基于目标及背景结构特征的多尺度形态学图像处理方法，针对弱目标和背景噪声的结构差异，选择合适的结构元素和合理的形态算子达到较好的滤波效果。形态滤波器是从数学形态学中发展出来的一类新型非线性滤波器。由于形态算子实质上是表达物体或形状的集合与结构元素之间的相互作用，结构元素的形态决定了这种动算所提取的信号的形态信息，因此数学形态学对信号的处理具有直观上的简单性和数学上的严谨性，使数学形态学在描述信号形态特征上具有独特的优势。通过改变结构基元的尺度，对图像进行多尺度分析，能准确提取图像在不同尺度下形状的分层特征和有用信息。     

基于改进多尺度形态学的带钢缺陷图像边缘检测

针对目前板带钢表面缺陷在线检测过程中无法准确地检测出所有缺陷边缘问题,根据带钢缺陷的特点,分析了结构元素的选取,提出了一种将多尺度形态学和多结构元素有机结合的边缘检测方法。该方法首先进行多尺度形态学滤波降噪,分别求取0°结构元素、45°结构元素、90°结构元素和135°结构元素带钢缺陷图像边缘;其次通过一定的运算组合,提取多结构边缘;最后对得到的带钢缺陷图像的边缘作二值化处理,再细化边缘得到缺陷图像边缘的最终结果。实验结果表明,该方法较好地解决了边缘检测精度与抗噪性能之间的协调问题,实现了在多个尺度上提取板带钢表面缺陷的边缘。同时能够较好地保留图像中缺陷的边缘细节信息,为带钢表面缺陷在线检测系统中自动分割、缺陷识别等后续处理奠定了基础。     

Flame Image Edge Detection Based on Multi- scale and Multi-strncturing Elements Morphology

针对从工业锅炉采集到的火焰图像边缘形态和噪声的不同,以数学形态学梯度边缘检测算子为基础,结合多结构元素和多尺度的特性,提出了一种基于多尺度多结构数学形态学图像边缘检测算法,并将其应用于火焰图像的边缘检测.仿真结果表明,与经典的Sobel算子、Canny算子和传统的算法相比,提出的算法具有边缘定位准确、轮廓清晰、图像细节保留较多、噪声不敏感等显著优点.     

一种基于数学形态学的车牌图像分割方法

提出一种基于数学形态学的车牌图像分割提取方法.用修正后的形态学边缘检测算子对图像进行边缘检测,采用二尺度结构元素检测平均方法提高边缘检测的准确性,再用不同的结构元素对边缘图像进行形态滤波,以消除干扰.实验证明,该方法能快速准确定位分割出车牌图像,且计算量较小.     

光照和表情变化的人眼鲁棒性定位方法

针对光照和表情对眼睛定位产生的影响,给出一种基于多尺度自商图和形态滤波的眼睛定位算法.首先利用一种多尺度自商图方法消除人脸图像的光照影响;然后综合运用形态学操作的开闭运算提升眼睛区域特征并采用相关系数法获得眼睛粗定位,对开闭眼不敏感;最后对粗定位区域进行方差投影并二值化后获得精确的眼睛中心点.在JAFFE数据库、Yale B数据库和AR数据库上测试表明本文算法能很好地定位眼睛中心位置,且对光照、表情鲁棒.     

基于多尺度空间滤波和l1范数最近邻分类的乳腺图像微钙化点检测

钙化信息是乳腺癌早期诊断的一个重要依据,针对钙化点检测检出率较低和假阳性较高的问题,提出一种基于多尺度空间滤波和l1范数最近邻分类的乳腺图像微钙化点检测算法.首先利用多尺度空间滤波方法得到原图像的多尺度显著特征图,然后通过基于人眼视觉特性的钙化点分割方法得到粗检测钙化点的二值图像,并送入l1范数最近邻分类器去除假阳性点...     

基于边缘增强引导滤波的光场全聚焦图像融合

受光场相机微透镜几何标定精度的影响,4D光场在角度方向上的解码误差会造成积分后的重聚焦图像边缘信息损失,从而降低全聚焦图像融合的精度。该文提出一种基于边缘增强引导滤波的光场全聚焦图像融合算法,通过对光场数字重聚焦得到的多幅重聚焦图像进行多尺度分解、特征层决策图引导滤波优化来获得最终全聚焦图像。与传统融合算法相比,该方法对4D光场标定误差带来的边缘信息损失进行了补偿,在重聚焦图像多尺度分解过程中增加了边缘层的提取来实现图像高频信息增强,并建立多尺度图像评价模型实现边缘层引导滤波参数优化,可获得更高质量的光场全聚焦图像。实验结果表明,在不明显降低融合图像与原始图像相似性的前提下,该方法可有效提高全聚焦图像的边缘强度和感知清晰度。     

多尺度Gabor小波变换在图像检索中的应用

在基于内容的图像检索中,纹理特征是一种重要而又难以描述的特征。为提高图像检索中纹理特征的提取效率,通过对Gabor滤波器滤波特点的研究,提出一种基于多尺度Gabor小波纹理的图像检索方法。设计了一组具有多种尺度和多个方向的滤波器组,选择并优化滤波器组的各参数,对图像进行滤波和特征提取。设计并实现了一个基于Gabor纹理...     

基于多尺度柔性形态学滤波器的图像融合

提出了一种基于柔性数学形态学的图像融合新方法。首先,对源图像进行柔性形态学多尺度开闭滤波,得到源图像的低频平滑图像。其次,应用了柔性的多尺度top-hat变换和bottom-hat变换,提取小于相应尺度的图像细节特征。最后,对于以上两步骤得到的低频平滑图像和多尺度高频细节图像分别进行图像融合,应用形态学重建过程生成融合图像。多聚焦图像融合和红外可见光图像融合实验表明,这种融合方法优于相应基于多尺度标准形态学滤波器(MSMF)的图像融合方法,特别适用于受噪声污染的图像融合处理。     

低秩稀疏分解下多尺度积的运动目标检测方法

针对基于矩阵分解的运动目标检测方法易受自然场景中背景的小幅抖动和摄像头抖动等因素影响的问题,提出了一种利用多尺度积的低秩稀疏矩阵分解算法。算法假设,静态背景视频序列中,每帧图像背景可近似视为处于同一低秩子空间中,图像前景则可视为偏离低秩空间的残差部分。首先对图像序列进行滤波、仿射变换等预处理得到视频序列观测数据矩阵;然后对数据矩阵进行低秩稀疏分解得到序列图像的低秩背景部分和每帧图像的稀疏前景部分;最后对稀疏前景部分采用小波变换模极大值与多尺度积方法检测目标边缘,并进行形态学处理,得到准确的运动目标。实验结果表明,算法检测到的运动目标清晰、完整,能有效地处理光照变化、摄像头小幅度抖动、图像背景局部小幅度变化等情况下的运动目标检测。      

考虑空域分布多尺度信息熵的SAR图像模板匹配

图像的熵和多尺度熵仅考虑像素灰度分布而无视像素在空域分布的情况,基于此的图像匹配容易受噪声的影响而导致误配。为解决此问题,给出了一种空域分布多尺度信息熵(SDMSE),将图像像素在空域的分布与灰度空间分布结合起来,对不同的行或列求多尺度信息熵。在合成孔径雷达(SAR)图像匹配时,对输入图像和基准子图(基准图中和输入图尺寸一样的子图)求SDMSE矩阵,并通过求两矩阵的相似性来度量匹配程度,相似性最大的位置对应匹配点。仿真结果表明,所提匹配算法相比基于熵和多尺度熵的SAR匹配算法有更优异的噪声适应性,匹配误差更小,但计算耗时较多。在如何减少计算时间方面也做了尝试,实验表明尺度个数减少可以大幅减少计算时间而抗噪声性能并没有明显降低。     

基于多尺度灰度变换的图像增强研究

为了提高图像增强效果,有效地保持原始图像细节,提出了一种基于多尺度灰度变换的图像增强方法。利用梯度域递归双边滤波对原始图像进行多尺度分解。基于小波变换,将分解层的子带分别作灰度变换。根据变换后的各个子带重构得到分解层的增强结果,并在其基础上实现图像的整体增强。对比直方图均衡化、灰度变换,提出的方法增强效果更好,并且保图像细节。利用客观性能指标对增强结果进行评价。实验结果表明,提出的方法有效,并具有结构简单,计算复杂度低的特点。