融合提升小波和形态学熵权的医学图像边缘检测

为了提高医学图像边缘检测定位的精度,结合基于小波变换和数学形态学边缘检测算法的优点,提出一种融合提升小波和多尺度形态学熵权边缘检测算法。首先应用提升小波边缘检测算法提取边缘,再由多尺度形态学算子进行边缘检测,依据各尺度下边缘图像的信息熵确定权值进而求和得到边缘图像,最后对两种方法得到的边缘图像进行融合。实验结果表明,与传统边缘检测算法相比,该算法融合规则简单,边缘精度高并且定位准确,是一种有效的图像边缘检测算法。     

改进的形态学和小波变换边缘检测算法研究

针对传统数学形态学边缘检测算法存在的图像噪声干扰、边缘分辨率较低等问题,提出了一种基于数学形态学与小波变换方法相结合的边缘检测改进算法。在小波域中,对图像分解的弱边缘进行适当的加强,对低频系数采用模极大值法进行边缘处理,对边缘细节比较多的高频系数采用基于多尺度的双结构元素数学形态学算法进行边缘检测,最终得到图像的完整边缘。实验结果表明与传统的小波变换边缘检测法以及数学形态学边缘检测等方法相比,此种算法更能有效提取准确的边缘信息,而且又具有很强的抗噪性,是一种有效的边缘检测方法。     

基于多尺度分析和数学形态学融合的边缘检测

图像边缘检测的关键是在尽量多地检测到图像边缘的同时更有效地抑制噪声,为此提出了一种基于多尺度分析和数学形态学融合的边缘检测方法。首先利用小波变换将图像分为高频和低频部分;然后再分别进行处理:高频部分利用小波系数的层内和层间相关性对系数调整后实现边缘检测,低频部分利用数学形态学进行边缘检测;最后将各自得到的边缘图像通过多尺度边缘融合,从而实现边缘提取。实验结果表明,同单纯基于多尺度分析方法或基于数学形态学的边缘检测方法相比,提出的方法具有更好的噪声抑制和边缘细节保护功能。     

基于多尺度形态小波变换的红图增强算法

针对红外图像对比度差、信噪比低的特点,本文将小波分析与数学形态学相结合,提出了一种基于多尺度形态小波变换的红外图像边缘增强算法.该算法首先利用多尺度形态小波变换对图像进行分解,提取图像的多尺度边缘特征,然后通过非线性增强算子来改变边缘特征的强度,最后利用多尺度形态小波反变换重构图像,以实现图像边缘的对比度增强和背景抑制.实验结果表明,该算法有效地保持和增强了边缘信息,得到较好的增强效果.     

基于多尺度小波与模糊方法的图像边缘检测

提出了一种基于多尺度小波变换和模糊方法的图像边缘检测算法,它将图像分为高频和低频部分别进行处理,高频部分利用多尺度小波变换进行边缘检测,低频部分利用模糊方法进行边缘检测,并对两种方法得到的边缘图像进行融合,实验结果证明检测出的边缘与其它传统边缘检测算子所获结果得到了很大的改善.     

融合数学形态学理论的边缘检测方法研究

给出一种结合小波变换和Canny算子的基于数学形态学的组合边缘检测算法.利用小波变换对原始图像进行去噪和增强,突出对象的轮廓;利用Canny算子完成边缘的初步检测:引入数学形态学中闭合运算对单纯利用微分算子检测边界存在的断裂边缘进行填充和修复.去除图像处理过程产生的噪声,使结果清晰、平滑.该算法利用MatLab软件进行仿真,结果证明该算法可有效抑制噪声,提高边缘检测精度,是一种有效的图像边缘提取算法.     

基于数学形态学与小波变换的边缘检测算法

针对传统边缘检测方法去噪效果不理想的情况,分别对数学形态学和小波变换基本理论进行了分析,提出了一种基于数学形态学和小波变换的边缘检测方法。首先利用数学形态学基本运算对含有噪声的图像进行滤波,然后利用小波变换原理提取图像边缘。通过Matlab仿真分析,对比其他几种边缘检测算法,验证了该方法能够有效地检测出图像的边缘。     

基于小波变换与形态学的一种边界重叠图像的拼接算法

针对噪声环境下的图像拼接问题,本文给出了一种基于小波变换与数学形态学的方法.该方法首先是通过小波变换的多尺度分析提取出不同边缘方向的边缘图像,然后将其混合,利用形态学方法寻找可能的拼接物再进行拼接.     

基于形态学小波变换的图像融合算法

在给出基于小波变换图像融合算法的基础上,为了增强图像的质量,提高图像分辨率,提出一种基于数学形态学的小波变换图像融合算法。对读入的图像进行小波变换分解,将分解后的高低频系数用一个扩展矩阵进行存储。在低频分量系数选择中,采用数学形态学方法进行边缘检测,得到边缘图像后,对边缘图像中的尺度系数采用加权平均法进行融合。在选择高频系数时,基于绝对值最大的原则。对多组图像进行实验,实验结果表明,该算法优于传统的融合算法,有效提高了图像的分辨率。     

基于小波变换与形态学的一种边界叠图像的拼接算法

针对噪声环境下的图像拼接问题,本文给出了一种基于小波变换与数学形态学的方法。该方法首先是通过小波变换的多尺度分析提取出不同边缘方向的边缘图像,然后将其混合,利用形态学方法寻找可能的拼接物再进行拼接。     

鲁棒的形态学彩色图像边缘检测算法

针对传统边缘检测算子对噪声敏感的缺点,提出一种新的基于数学形态学的彩色图像边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,设计出一种多尺度、多结构元素的抗噪型边缘检测算子,利用新算子对R、G、B三个分量分别检测出图像的边缘分量,对三个边缘分量进行融合得到最终的彩色边缘信息。仿真实验表明,该方法得到的边缘轮廓清晰,边缘定位精度较高,比传统的边缘检测方法具有更好的噪声鲁棒性和边缘细节保护能力。     

一种基于小波变换的图像边缘检测方法和实现

介绍了小波变换的基本理论以及小波分析方法用于图像边缘检测的基本原理及利用小波变换进行边缘检测的方法。接着重点研究了基于B样条小波的多尺度边缘检测,并且利用这种方法在几个不同尺度下分别提取了图像边缘。可以看出该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,优于其他已有的边缘检测方法。     

融合小波变换和新形态学的含噪图像边缘检测

针对图像边缘检测中,滤除图像噪声并有效保留图像边缘信息这一研究,提出了一种融合小波变换模极大值法和新型改进的数学形态学的含噪图像边缘检测方法。首先介绍了基于小波变换模极大值的图像边缘检测算法;然后提出了一种新型改进的数学形态学检测算法;最后为了综合两种算法的优点,应用新的融合方式将两种方法的检测结果融合到一起,提出一种融合小波变换和新形态学的含噪图像边缘检测方法。实验结果表明,提出的融合检测算法相比于单独使用小波变换模极大值或数学形态学算法,能更有效地抑制噪声,提高边缘检测效果。     

痰液显微图像细胞边缘提取的数学形态学新方法

根据痰液细胞图像的边缘灰度变化特点,在经典微分算子检测基础上,运用适当的改进的数学形态学方法对痰液细胞进行边缘提取。在实验中对同一幅痰液细胞图像分别用Sobel算子、Roberts算子、Laplacian算子和基于数学形态学的方法进行边缘检测。结果表明,基于数学形态学的边缘提取算法对于痰液细胞图像边缘提取有很好的效果。     

结合小波滤波和形态学的图像边缘检测方法

针对传统的边缘检测方法对含噪图像检测效果不理想,提出了一种小波滤波和多结构元素的数学形态学相结合的图像边缘检测方法。用广义交叉验证准则进行小波阈值的自适应选取,用此阈值的广义阈值函数的小波滤波方法对含噪图像去噪;构造4种具有代表性的结构元素,根据边缘方向自动选择相应方向的结构元素,用改进的形态学边缘检测算子对图像进行边缘检测,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,该算法能够有效地抑制噪声,检测的边缘较清晰、连续,其检测效果优于传统边缘检测算法。     

基于自适应滤波的噪声图像边缘检测方法

研究图像边缘优化检测问题,针对传统边缘检测算法对噪声处理能力欠佳的缺陷,提出一种自适应中值滤波与形态学处理相结合的噪声图像边缘检测AMM算法。首先根据噪声像素点与相邻像素点的关联程度采用自适应中值滤波算法对图像进行去噪处理,保护图像的细节信息;然后运用改进的Canny算子对图像进行边缘检测,提取图像的边缘信息;最后对提取的边缘进行形态学处理,得到清晰的图像边缘。仿真结果对比表明,与目前常用的方法相比,AMM算法具有较强的抗噪鲁棒性,能较清晰地提取出图像的边缘,降低噪声对图像边缘的影响。     

炭制品X光图像的缺陷边缘提取

针对炭制品X光图像的特点,为快速准确地提取缺陷,提出了基于迭代的阈值构造方法和数学形态学相结合的边缘提取算法。通过对传统形态学边缘提取方法的分析,构造了基于形态学多结构元边缘提取算子,该算子既有良好的边缘提取特性,又很好地解决了噪声抑制和保持图像边缘细节之间的矛盾。在此基础上,为进一步减少噪声干扰的影响,采用基于迭代的分割阈值从图像中提取出缺陷区域,然后利用多结构元边缘提取算子成功提取了缺陷区域的边缘,并从理论上分析了噪声对缺陷边缘提取的影响情况。实验结果表明,与目前的边缘检测算子相比,该法能有效抑制噪声干扰的影响,保证了缺陷边缘的连续性、完整性和精确定位。     

对多尺度边缘检测中边缘位移的研究

多尺度边缘检测的任务之一是寻求噪声平滑与保持细节边缘的折中,现已出现了许多自适应多尺度边缘检测方法,但使用多尺度的边缘检测方法常常使得边缘发生位移.为了使得在大尺度下求取的边缘位置不变,提出了一种根据局部图象特点,在最大尺度下求取保持图象边缘点位置不变的多尺度自适应边缘检测方法,并首先证明了对于绝大多数边缘点,如果使用恰当的小波基,那么,对于常规边缘检测算子,在大尺度下,也能准确定位;然后,利用以小波函数为核函数的积分运算与求导数之间的关系以及小波分析的多尺度特性给出了一种自适应的、保持位置不变的图象边缘检测方法,最后用实验进行了验证.