共查询到20条相似文献,搜索用时 109 毫秒
1.
边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点.经典的边缘检测算法如canny算子等是通过计算图像中局部小区域的差分来实现边缘检测的.这类算子对噪声非常敏感,并且常常会在检测边缘的同时加强噪声.多尺度形态学边缘检测利用不同的结构元素去作用图像,通过形态腐性和形态膨胀操作,获得了效果很好的图像边缘检测算法.单尺度形态学梯度算子也能很好提检测图像边缘,但结构元素的选取对输出结果影响较大.通过使用多尺度形态学梯度算子,可以弥补结构元素的大小问题.仿真结果表明,该算法能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法. 相似文献
2.
基于柔性形态学的梯度边缘检测算法 总被引:1,自引:0,他引:1
在深入研究柔性数学形态学边缘检测算法的基础上,提出比传统柔性形态学膨胀和腐蚀算子具有更强鲁棒性的柔性形态学膨胀和腐蚀算子,在此基础上提出柔性形态学梯度边缘检测算法,实验证明了该算法对噪声特别是脉冲噪声有很强的抑制作用,并能很好地检测出图像的边缘信息。 相似文献
3.
4.
边缘检测是数字图像处理的一个重要内容,讨论了经典的边缘检测算子算法,该算法更多地采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学在图像处理中有广泛的应用,其基本原理是基于利用结构元素去探测图像;在讨论常见数学形态学梯度的基础上,提出了一种基于形态学梯度的图像边缘检测算法,应用定义的形态学梯度结构检测出较理想的图像边缘信息。仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显地优于经典的算子检测算法,在检测精度方面较经典的单一算子检测方法亦有一定的改善。 相似文献
5.
基于形态学梯度的图像边缘检测算法 总被引:2,自引:0,他引:2
边缘检测是数字图像处理的一个重要内容,讨论了经典的边缘检测算子算法,该算法更多地采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学在图像处理中有广泛的应用,其基本原理是基于利用结构元素去探测图像;在讨论常见数学形态学梯度的基础上,提出了一种基于形态学梯度的图像边缘检测算法,应用定义的形态学梯度结构检测出较理想的图像边缘信息。仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显地优于经典的算子检测算法,在检测精度方面较经典的单一算子检测方法亦有一定的改善。 相似文献
6.
双算子形态学滤波器 总被引:1,自引:0,他引:1
传统的形态学滤波算子交替性差、耗时长且抑制噪声能力弱. 基于中心互补结构元素与交替对偶算子, 提出了双算子形态学滤波器. 该滤波器继承了经典形态学滤波器的递增性、对偶性和幂等性, 但不满足扩展性和非扩展性. 双算子形态学滤波器具有离散的邻域运算特性, 采用交替小结构元素能去除较结构元素大的噪声块, 且在抑制噪声的同时有效保留了图像细节. 实验结果表明, 与基本的形态学滤波器及目前已改进的形态学滤波器相比, 双算子形态学滤波器具有更强的噪声抑制性能, 且在同等滤波效果下, 其计算量更小, 最终滤波后的图像具有较高的峰值信噪比和较小的均方根误差. 相似文献
7.
边缘检测是数字图像处理的一个重要内容,经典的边缘检测算子算法主要采用Prewitt算子、LOG算子、Canny算子等在空域中进行.数学形态学利用结构元素去探测图像,在讨论形态腐蚀和形态膨胀的基础上,提出了一种基于多尺度形态学梯度的医学图像边缘检测算法.单尺度形态学基元随着尺度的增大形成新的更大尺寸的结构元素,从而检测不同的边缘信息,最终重建较理想的图像边缘.仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法,检测精度较经典的单一梯度算子检测方法亦有一定的改善. 相似文献
8.
9.
本文主要论述了采用形态学算子在处理有噪声图像的边缘检测的方法。通过与采用经典的边缘检测算子——Sobel、Prewitt、Canny算子的检测图像相比较,本文给出了相关的图像处理结果。结果表明在不同噪声的图像处理,多结构的形态学处理方法在抑制噪声方面都要优于其它几种算子,而且对具有复杂边缘图像的提取也有较好的效果。 相似文献
10.
基于柔性数学形态学的医学图像边缘提取 总被引:2,自引:0,他引:2
医学图像边缘提取,尤其是病灶部位的边缘提取,是医学图像处理中非常重要的预处理步骤,边缘提取的质量决定了图像的最终处理结果。人们一般习惯于用微分算子和梯度形态学算子提取边缘,但这类算子都不能很好地滤除噪声,也不能提取边缘细节。文章在阐述了数学形态学一般原理与方法及柔性数学形态学原理与性质的基础上,将柔性数学形态学用于左肺上叶周围型肺癌CT图像边缘提取。实验结果表明,这一方法比微分算子和形态学边缘梯度算子更能有效地滤除噪声并将肺部轮廓和肿瘤的大小与边缘准确地提取出来。 相似文献
11.
针对传统图像边缘检测抑制噪声能力弱的问题,给出了一种小波变换和局部梯度
场内奇异值分解相结合的边缘检测方法。首先在图像预处理阶段,为了提取准确的边缘特征,
文中利用小波变换的时频局部化特性,对图像进行小波变换。该文对用小波求取的梯度场使用
局部梯度奇异值分解的方法;利用奇异值的特性和良好的稳定性,使提取的边缘特征更加突出
并且能够达到抑制噪声的目的。实验证明该文方法既能在无噪声影响的图像中提取出清晰完整
的单边缘,又能在有噪声干扰的情况下提取出理想的边缘。 相似文献
12.
一种新的基于小波变换的边缘检测算法 总被引:1,自引:0,他引:1
应用小波变换理论对图像进行平滑降噪处理,对降噪图像进行多级小波分解,从而获取多分辨率图像。对小波分解的各级小波系数求其局部模极大值,从而得到不同分辨率下的图像边缘,合并不同分辨率下的图像边缘得到一个组合边缘,细化图像边缘。实验证明。这种方法对有噪声污染的图像进行边缘检测效果好于LoG、Sobel、Canny等经典的边缘检测方法。 相似文献
13.
边缘检测是图象处理中的一个重要组成部分。通过对Pai.King模糊边缘测算法进行改进,提出了一个快速模糊边缘检测算法。该快速算法不但简化了Pil.King算法中复杂的G和G^-1运算,而且通过实验,确定了Tr变换中最佳的隶属度阈值,并减少了迭代次数。从两组实验结果可以看出,快速算法不但提高了Pai.King算法的效率,而且检测效果也优于pai.King算法。快速算法不但适用于普通图象,而且也适应于遥感图象,并具有很强的检测模糊边缘和细小边缘的能力,这种快速算法的性能优越,是一种实用的、有前途的图象处理算法。 相似文献
14.
15.
基于自适应脊波变换的边缘检测 总被引:3,自引:0,他引:3
通过分析现有的一些方法,提出了一种基于自适应脊波变换的边缘检测方法。这种方法以脊波变换为理论基础,具有多方向和多尺度性,能对图像中的不同方向的边缘特征进行有效的表示和检测。实验表明,对于边缘主要表现为直线而其他位置光滑的图像,该检测方法抗噪声更强,定位更准确。 相似文献
16.
从被噪声干扰的图象中提取边界是图象测试与分析的关键之一。通常需要先滤除图象中的噪声,再用边界检测算子求出边界。本文介绍了一种边界直接检测法,即将边界检测与噪声滤波相结合,它是基于自适应堆滤波的边界检测法。首先非线性堆滤波器用于求出图象某象素点邻域内的灰度最大值与最小值的最优估计,然后以此两估计值之差代替原象素点灰度值。最后对之二值化求出边界。本文根据最小平均绝对误差准则,采用自适应方法求解堆滤波器。这种方法类似于线性自适应滤波器的LMS方法,先任设一初始堆滤波器,利用期望图象与合噪声图象对堆滤波器进行迭代训练,最后求出最优化的自适应堆滤波器。文章最后给出了采用自适应堆滤波法求取图象边界的试验结果,表明这种方法可以有效地抑制各种分布的噪声干扰。 相似文献
17.
18.
针对Canny边缘检测算法在伪边缘剔除方面的不足,结合洞室岩体裂隙图像成像特点,提出一种Canny算子与形态学相结合的边缘检测方法。先分别对原始图像进行Canny算子边缘检测和图像分割,得到两幅二值图像,然后参考图像裂隙的几何形态特征,对它们进行形态学运算,使最终得到的二值图像保持了较高的裂隙定位精度,并有效剔除了伪裂隙边缘,同时具有边缘闭合、平滑等优点。 相似文献
19.
To build a consistent image representation model which can process the non-Gaussian distribution data, a novel edge detection method (KPCA-SCF) based on the kernel method is proposed. KPCA-SCF combines kernel principal component analysis and kernel subspace classification proposed in this paper to extract edge features. KPCA-SCF was tested and compared with linear PCA, nonlinear PCA and conventional methods such as Sobel, LOG, Canny, etc. Experiments on synthetic and real-world images show that KPCA-SCF is more robust under noisy conditions. KPCA-SCF's score of F-measure (0.44) ranks 11th in the Berkeley segmentation dataset and benchmark, it (0.54) ranks 10th tested on a noised image. 相似文献