基于轮廓结构元素形态学的多尺度边缘检测

提出一种改进的基本轮廓结构元素形态学的多尺度边缘检测的方法。用基于轮廓结构元素的形态学提取多尺度下的图像边缘,然后加权融合,采用非极大值抑制算法细化边缘。该方法在有效抑制噪声的同时保护了图像的细节。实验结果证明该方法在提取受噪声污染的图像的边缘时非常有效。     

基于改进形态学算子的多尺度边缘检测

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,为此提出了一种新的基于轮廓结构元素的多尺度形态学边缘检测方法。该方法重新组合了基于轮廓结构元素形态学各种运算的优点,实现了一种改进的形态学算子;在此基础上利用改进形态学算子的多尺度运算定义了一种新的边缘检测算子。与其他形态学方法相比,文中方法不仅具有更好的噪声抑制和边缘细节保护功能,而且对结构元素的形状不敏感。     

基于多结构元多尺度的形态学边缘检测

在形态学梯度边缘检测算子的基础上,针对图像中的几何特征和噪声提出了一种基于多结构元、多尺度的边缘检测方法,用不同取向的结构元素对图像进行多尺度检测,并综合各尺度下的边缘,得到了噪声存在下的理想边缘。实验表明,文中的方法边缘定位准确、轮廓清晰,保留了更多的图像细节,具有较强的抗噪能力。     

基于多结构元多尺度的形态学边缘检测

在形态学梯度边缘检测算子的基础上,针对图像中的几何特征和噪声提出了一种基于多结构元、多尺度的边缘检测方法,用不同取向的结构元素对图像进行多尺度检测,并综合各尺度下的边缘.得到了噪声存在下的理想边缘.实验表明,文中的方法边缘定位准确、轮廓清晰,保留了更多的图像细节,具有较强的抗噪能力.     

一种基于形态学的边缘检测算法

在对含有噪声图像进行边缘识别时,为了提高识别精度,提出一种基于形态学的边缘检测算法。准备两种不同尺度的形态学结构元素,并对图像进行形态学降噪处理;用不同类型的形态学结构元素对处理后的图像进行边缘检测,获得不同结构元素下的边缘图像;根据每张边缘图像的信息熵来确定权值,并将这些边缘图像按照比例进行合成。这样,即使在有噪声干扰的条件下也能获得较为理想的图像边缘。实验结果展示了该算法相对于其他边缘检测算法的优势,突出其在保持图像边缘清晰的同时还具有较强的噪声去除能力,有力地说明了该算法的有效性和实用性。     

基于组合式形态学算子的多尺度边缘检测

针对传统的边缘检测方法因卷积运算造成模糊图像边缘,且对噪声敏感,各种形态学边缘检测方法因检测到的边缘信息类型不同而容易使边缘信息丢失,提出一种组合式抗噪型形态学边缘检测算子;并利用不同尺度的结构元素具有不同的图像边缘检测效果,进行形态结构元素的尺度调整,得到不同尺度结构元素下的图像边缘位置;然后进行加权合成来获得边缘图像;实验表明,与其他的传统或者形态学边缘检测方法相比,该文方法不仅具有更好的噪声抑制功能,而且其检测到的边缘轮廓更加清晰完整,边缘细节更加丰富。     

一种基于改进算子的形态学边缘检测算法

针对传统的边缘检测算法存在的不足,文中基于修正的边缘检测算子和形态滤波思想,采用多尺度和多结构元素,提出了一种新的多结构多尺度形态学灰度图像边缘检测算法,通过构造新算子实现边缘检测。在该算法中,分别将各个结构元素下的检测结果进行加权求和,得到图像的边缘。实验表明,和其他的传统或形态学边缘检测算法相比,文中方法具有更好的噪声抑制能力,而且边缘定位准确,检测到的边缘轮廓更加清晰完整。     

基于多尺度形态学融合的分水岭图像分割方法

提出了一种基于多尺度形态学融合的分水岭图像分割方法，采用多尺度结构元素对输入图像并行滤波，并对结果图像进行基于小波变换的图像信息融合。针对小波分解的不同频率域，选择不同的融合规则，既抑制噪声又保持目标轮廓信息。最后，采用最大熵法自适应确定算法的初始阈值，并给出一种有效的区域合并方法来优化分割结果。实验证明，采用此分割方法可以获得较好的分割结果。     

一种改进CB形态学的图像滤波分析研究

如何在滤除噪声的同时保护图像的细节一直是一个研究热点。基于数学形态学的滤波效果依赖于结构元素形状和尺寸的选取,基于轮廓结构元素形态学（简称CB形态学）在一定程度上弱化了结构元素对处理结果的影响,但是大结构轮廓会导致噪声放大,小结构轮廓噪声滤除效果不佳。提出一种改进CB形态学滤波器,利用小结构元素、CB形态学、数学形态学运算实现对图像椒盐噪声的滤除。实验结果表明该滤波器滤除椒盐噪声的效果优于中值滤波或一般形态学滤噪,且能够在滤除噪声的同时较好地保留图像细节。     

基于多尺度轮廓结构元素的多形状边缘检测

在图像边缘检测过程中,针对滤除噪声及有效保留图像边缘信息这对矛盾点进行了研究,给出一种基于多尺度轮廓结构元素的多形状边缘检测算法。该算法通过多次使用轮廓结构元素的开最大和闭最小运算操作滤除噪声,运算次数通过比较图像峰值信噪比确定,降低结构元素对边缘信息的影响;然后采用多形状多尺度结构元素提取图像边缘,并利用图像峰值信噪比控制结构元素尺度的选取。与经典边缘检测算法相比,该算法具有更强的去噪声能力,且能保留更多的图像细节。仿真实验表明,有区别地使用轮廓结构元素及多形状多尺度结构元素,能有效去噪并保留边缘信息。     

边界保存的二进小波图像去噪算法

根据小波变换系数与图像边界的关系,提出了一种基于二进小波变换的图像去噪算法。首先用二进小波在不同尺度上分解图像,在低频部分上提取图像边界,根据图像边界与小波系数的关系,估计对应尺度上高频部分的噪声的方差,用Oracle估计子估计图像的二进小波系数,用估计出的二进小波系数重建图像。实验表明,该算法能够有效地去除各种分布的图像噪声。     

基于Context模型的小波变换阈值自适应图像去噪

根据噪声和信号的小波系数在不同分解尺度、不同方向上高频系数的分布不同,结合Context模型,提出基于Context模型的小波变换阈值自适应图像去噪算法。该算法通过对不同尺度和方向的小波分解系数应用不同的阈值方法进行去噪。实验表明,方法能较好地去除图像噪声和保留图像边缘细节信息,在提高去噪图像信噪比值和改善视觉效果方面都表现出了良好的性能。     

一种改进Contourlet变换的图像去噪算法

针对Contourlet分解的细节图像在奇异点附近产生振荡,在去噪过程中会产生伪吉布斯现象,提出一种改进的拉普拉斯金字塔实现基于Contourlet变换的图像去噪算法。阈值的选取不仅考虑不同尺度中噪声含量的不同,而且在不同方向上对阈值进行了调整。实验结果表明,利用该文去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。     

基于尺度相关性的自适应图像增强新算法

针对图像增强算法通常会放大原图像中噪声分量的问题，结合小波变换中相关系数理论，提出了一种基于小波变换的图像增强新算法，利用二进小波变换中各尺度上小波系数间的相关性，有效改善了增强过程中噪声放大问题。实验表明，该方法无论是增强效果还是抗噪性能都明显优于传统的图像增强算法。     

自适应权重形态学边缘检测算法仿真研究

提出了一种自适应权重的多刻度形态学边缘检测算法。该算法首先在同一尺度下用多个结构元素分别进行边缘检测,并得到该尺度下的边缘图像,利用形态学结构元素“探针”原理和不同尺度结构元素抗噪性能来确定加权值的大小,然后对不同尺度下的边缘图像进行加权求和,再经过二值化、去噪等处理,得到最后的边缘检测结果。仿真结果表明,该方法具有较好的抗干扰性和定位准确性,得到的边缘更为完整。     

基于异尺寸多方向结构元素的形态学边缘检测

针对传统的微分法边缘检测技术存在边缘检测与噪声抑制的矛盾,文章提出了基于异尺寸多方向结构元素的形态学边缘检测方法,并将这一方法与微分法、多尺度结构元素和全方位结构元素的边缘检测方法相比较,结论表明新方法在尽可能多地滤除噪声的情况下,能够检测出更准确、更完整的图像边缘.     

基于小波多尺度积的图像增强新算法

在分析小波变换对噪声影响规律的基础上,结合小波多尺度积的特性,提出了一种基于小波多尺度积的图像增强新算法,利用二进小波变换中各尺度上小波系数间的相关性,有效改善了图像增强过程中噪声放大问题.     

基于HSL空间彩色图像多结构元形态边缘检测

构建了一类在HSL颜色空间基于多结构元彩色形态边缘梯度检测算法实现彩色图像边缘检测新算法,多结构元形态边缘检测有着比单一结构元素形态边缘检测更优越的性能。该方法是把RGB空间的彩色图像转换到HSL空间,并且定义了在HSL空间的彩色形态学基本算子,提出了改进的多结构元彩色形态边缘检测算法。经过大量实验证明,该算法在有噪声的干扰下,比传统的方法能够更好地抑制噪声并提取有用的图像边缘信息,能满足不同的应用需要。