利用数学形态学实现车牌的快速定位

本文主要针对车辆图像中的车牌区域定位问题进行研究分析.首先介绍了数学形态学,随后根据车牌的整体和局部特征,对基于数学形态学的车牌定位方法进行研究分析,并对其加以改进,实现了车牌的快速、准确定位.     

基于双正交小波变换在灰度图像压缩中的应用

小波变换是数学领域的一个新数学的分支，他在图像领域得到了广泛的应用。本文首先介绍了小波变换的基本原理，然后采用双正交小波对图像进行压缩，并对结果进行分析。     

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。     

改进型快速ICA算法与数学形态学结合的图像分割方法

介绍了一种改进型快速独立分量分析(FastICA)算法与形态学相结合的图像分割方法.该方法把图像的特征分量看作是边缘图像分量与其它背景图像分量的结合,把快速ICA对图像分量的提取,变为对边缘图像分量的提取,得到边缘图像的独立分量,再通过数学形态学的方法对边缘图像进行增强处理,从而实现图像的分割.实验结果表明:与传统的图像分割方法相比,该方法具有良好的图像分割性能,可以清楚地观察到图像轮廓,图像边缘的连通性较好且保留了原图像的很多细节,分割效果较好.     

基于小波包的图像拼接算法

针对噪声环境下的图像拼接方法,本文给出了一种基于小波包变换与数学形态学的方法。首先是对拼接图像进行小波降噪,然后利用形态学寻找主要特征物进行定位和对比,再通过样条函数构造的小波包对图像在不同尺度下的小波包分量进行拼接。实验表明,该方法可以较好地消除拼缝的影响,得到很好的拼接图。     

利用数学形态学实现车牌的快速定位

本文主要针对车辆图像中的车牌区域定位问题进行研究分析。首先介绍了数学形态学,随后根据车牌的整体和局部特征,对基于数学形态学的车牌定位方法进行研究分析,并对其加以改进,实现了车牌的快速、准确定位。     

小波变换和形态学相结合的图像融合新算法

针对边缘模糊导致图像融合质量下降,结合小波变换方法和数学形态学方法各自的优势,提出了一种将小波变换和数学形态学理论相结合的图像融合算法.针对高频系数融合,选用绝对值取大法,并适当地增强边缘;针对低频系数融合,对低频子图像运用形态学方法获得边缘灰度图像,若边缘灰度图像中该点像素值在153～255之间,标记该点为边缘点,选用区域空间频率取大法融合边缘点处对应的低频系数;若该点像素值在O～152之间,标记该点为非边缘点,选用平均法融合非边缘点处对应的低频系数.实验结果证明,该算法的融合质量得到了进一步改善和提升.     

采用小波变换和数学形态学的小目标检测

鉴于常用检测方法不能准确稳定地检测出复杂背景中小目标,结合小波变换和数学形态学,提出了一种小目标检测新方法.首先对图像进行单尺度小波变换,提取高频分量系数;其次,利用阈值算法将各个高频分量系数图像转化为二值图像后对其进行多结构元素形态学滤波,滤波结果与原二值图像相减后在差值图像上得到可能的小目标.将3个方向的高频系数的检测结果相关联获得单帧检测结果;最后将多个单帧检测结果进行流水线检测,得到最终的检测结果.仿真结果表明该方法能够准确稳定地检测出信噪比(SNR)大于2的弱小目标.     

一种基于数学形态学的图像对比度增强算法

由于数学形态学边缘提取算法优于微分边缘提取算法,故提出一种数学形态学图像对比度增强方法.利用数学形态学的相关原理,使用双梯度多尺度、多结构元素进行边缘检测,成功地实现了对模糊图像的去模糊处理实验.仿真结果表明,该方法优于拉普拉斯去模糊方法,并且提取出的图像边缘较好地保持了原来的细节特征,去模糊效果好,图像的对比度得到明显增强.     

一种改进的基于多尺度变换的红外和可见光图像融合算法

提出了一种改进的基于多尺度变换的红外和可见光图像融合算法.首先,用形态学帽变换对两幅已经配准的红外图像和可见光图像进行处理,然后将处理后的图像分别进行轮廓波分解得到一系列的高频图像和低频图像.由于高频图像和低频图像特点的不同,对高频图像采用平均梯度进行融合,对低频图像采用PCA的方法进行融合.实验表明,该方法很好地结合了形态学帽变换、主成分PCA算法和轮廓波变换的优点.与传统的融合方法相比,提出的融合方法可以提供丰富的图像信息和清晰纹理细节,且很好地保证了主要目标的亮度基本不变.