异质扩散的图像边缘特征提取方法

图像检测中提高成像的质量、抑制图像的噪声、增强图像的对比度是图像检测的主要目标。其主要目的是为了强化边缘特点,方便进行具体的测量。针对偏微分方程(PDE)在图像处理中的运用进行了探讨,并将其与形态学腐蚀算子相结合,提出了基于形态学腐蚀和梯度计算的边缘检测方法,并通过仿真测试进行验证。     

实时图像边缘检测形态学优化设计及FPGA实现

利用Sobel算子对实时图像进行边缘检测,然后再对边缘检测之后的图像进行形态学的膨胀和腐蚀技术的优化,最后利用FPGA将形态学优化后的实时图像进行边缘检测。结果表明该方法能有效提高边缘检测的效果,检测出的图像边缘更加清晰,同时可大幅度滤除掉图像中的背景噪声。     

基于改进的数学形态学的OCT图像快速边缘提取算法

提出了一种基于形态学的OCT图像的边缘检测方法,即对原始图像预处理,增加图像的对比度和边缘特性,使用形态学腐蚀和膨胀两个基本算子进行,选取了合适的结构元素,最后采用canny算法提取边缘。实验结果表明,经过改进的数学形态学方法处理的图像边缘特性的提取效果显著增强,且效率高、处理速度快。与经典的边缘检测算子和传统形态学边缘检测算法相比,该算法优势更加明显,边缘提取质量显著提高,且速度有显著提升。     

基于灰度形态学的烟叶图像边缘检测

烟叶图像的边缘提取是利用计算机进行烟叶检测与分级的关键步骤。为了能够在提取边缘的同时保留图像的边缘细节信息，该文针对CCD获取的烟叶原始图像，利用灰度形态学的算法，构造了全方位的结构元素进行边缘的提取。实验证明，基于灰度形态学腐蚀变换的边缘检测算法是有效的。     

基于数学形态学的图像边缘检测研究

介绍数字图像处理技术中传统的边缘检测算法和基于数学形态学的数字图像边缘检测方法。通过迭代法得到图像最佳分割阈值，然后将图像二值化，再利用数学形念学中腐蚀运算实现数字图像边缘检测。通过编写程序实现上述方法，并比较传统边缘检测算法与基于数学形态学边缘检测方法的结果。     

基于灰度形态学的高原鼠兔图像边缘检测

传统高原鼠兔图像边缘检测方法存在对噪声敏感、大量边缘细节被过滤、检测的边缘不连续、模糊等问题。为此,将基于数学形态学的边缘检测方法应用到高原鼠兔图像的边缘检测中。利用数学形态学的腐蚀和膨胀算法,构造适合高原鼠兔图像几何性质的结构元素,对图像进行检测。实验结果表明,该方法具有较好的边缘检测效果。     

边缘检测的形态学算法与传统算法比较

由于图像的边缘通常含有大量重要信息,因此,边缘检测成为图像处理的一个重要环节,其检测算法也获得了广泛的研究,已经形成了Roberts、Laplacian、Canny等多种算法。但这些传统算法在边缘检测精度和抗噪声性能方面还存在一定的问题。文章运用数学形态学边缘检测算法的结构元素变换,对无噪声图像检测出多幅边缘图;对噪声图像采用改进的开启运算,先用3×3的结构元素进行腐蚀,后用5×5的结构元素进行膨胀,用边缘检测算子f°B-f进行检测,并与传统算法和不变结构元素的形态学开启运算的结果进行了比较。实验结果表明,灵活多变的数学形态学边缘检测算法在检测精度和抗噪声性能上都优于传统算法。     

基于数学形态学的细胞图像分割方法研究及实现

图像分割是数字图像处理的一项重要技术。本文结合边缘检测和数学形态学提出一种新的图像分割方法,并应用到细胞图像中,借助Matlab平台,验证该方法的有效性。在检测细胞边缘的过程中运用数学形态学的相关知识,对图像进行膨胀、填充等处理,有效地弥补了单一分割算法存在的分割边缘不够精细、细胞内部孔洞较多等缺点。在显示阶段对图像进行腐蚀操作,使得细胞边缘更加光滑,分割结果更加自然,大大提高了分割图像的可读性。     

基于柔性形态学的梯度边缘检测算法

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。     

一种基于局部多结构元素形态学的边缘检测的修正算法

在前期工作的基础上 ,提出了一种基于局部多结构元素形态学的边缘检测的修正算法 .该算法根据图像中噪声和边缘形态的不同 ,建立了多个结构元素 .利用基于视觉模型的边缘阈值选择策略确定图像中梯度变化的像素点 ,并对其采用二值形态学的腐蚀操作 ,在进行腐蚀操作时 ,放宽了结构元素中相同灰度像素点的判别条件 ,从而更好的选择出图像边缘 ,滤除噪声 .实验表明 ,本文算法不仅具有很好的边缘提取能力 ,而且具有很强的抗噪能力     

常用边缘检测技术的对比

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.     

基于柔性形态变换的图像边缘检测

由于自然界中的噪声影响和图像模糊的边缘,这给图像的边缘检测和目标分割带来了一定的困难。柔性形态变换作为一种数学形态学的方法,既保留了标准形态变换的许多优良特性,又具有较好稳健性,为进行目标特征分析提供了可能。使用柔性形态变换构造边缘检测算子,对图像进行边缘检测。实验结果表明,与其他常用的边缘检测算子相比,基于柔性形态变换的边缘检测算子在有效去噪的同时,能较好地保留图像的细节信息,具有很强的实用性。     

基于形态学滤波结合LOG算法的边缘检测

边缘检测是一种尝试从图像中提取有效部分的方法,主要捕获图像像素的急剧变化和检测重要的区域。为了更有效地进行边缘检测和抑制噪声,文章中对常规形态学边缘检测进行了改进,采用了多阈值分解对灰度图像进行二值化处理和分解,之后对图像进行了基于二阶拉普拉斯算子的LOG边缘检测,在初步提取出图像边缘后,又进行了多结构形态学滤波来实现对图像边缘进行进一步边界增强。实验结果表明,该法保留了更完善的边缘信息,有效消除了叠加噪声。     

金锡共晶X光图像的空洞检测

在金锡共晶焊接以及X射线检测缺陷技术广泛使用的背景下,针对PCB板缺陷经X射线成像后不易人工检测的问题,基于形态学方法提出了一种自动检测并标记烧结空洞的处理思路。经实验发现Sobel算子无法有效提取烧结空洞,分析得出以下结论:提取烧结空洞需要克服水平、垂直方向上的干扰,即密集分布于PCB板上的导线。由此提出利用形态学方法来抑制导线干扰,并通过实验验证了该方法的有效性。同时,确定了提取并标记烧结空洞的主要流程:滤波预处理、形态学方法提取图像边缘、填充空洞区域、Otsu法分割图像、形态学方法去除毛刺、腐蚀梯度算子提取空洞内边缘以及标记烧结空洞。经实验提取出完整的空洞边界,成功标记出PCB板上的烧结空洞,证明了该处理流程的可行性。最后,分析该处理思路的优势以及缺陷,并根据缺陷对改进方向作了建议。     

基于灰度形态学与小波相位滤波的高分辨率遥感影像边缘检测

为了更好地获取高分辨率遥感影像的边缘信息,提出一种新的影像边缘检测方法。该方法首先利用主成分分析(PCA)变换获取影像的主要信息;然后采用symletsA小波对其进行分解,并用形态学算子对各尺度影像进行处理;最后利用小波相位滤波算法在同一尺度上进行相关性滤波以增强图像边缘,并通过OTSU算法进行分割获取其边缘信息。结果表明：与现有算法相比,该方法对边缘的定位更加精确,边缘检测效果更加明显。     

小波模极大值法与数学形态学边缘检测细化结果

图像边缘检测的关键是尽可能多的检测到边缘并且抑制噪声的同时,尽可能的满足单线的边缘定位精度;为此选取了一种融合小波模极大值和数学形态学的边缘检测方法来获取图像边缘;首先在对图像进行小波分解,分别利用模极大值法和多尺度多结构数学形态学方法来处理小波分解的高频分量和低频分量,利用差影法对二者的结果进行融合;然后利用大律法得到二值化图像,并用形态学边缘细化算法细化图像边缘得到最后结果;实验结果显示,融合的方法可以得到比较完善的边缘,经过二值化和边缘细化后,获得的单线宽边缘更加清晰,定位精度更高。     

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。     

基于形态学多尺度算法的肺部CT图像边缘检测

医学图像边缘检测是医学图像处理和分析的基础,传统边缘检测算子对噪声敏感,检测到的图像边缘效果较差.本文提出了一种基于形态学多尺度算法的肺部CT图像边缘检测方法.首先对形态学边缘检测算子进行改进,然后利用形态学多尺度算法检测各尺度下的图像边缘,最后采用非均匀权值方法合成最终边缘.实验结果表明:该方法在检测出肺部图像边缘的同时能够很好地抑制噪声,是一种有效的肺部CT图像边缘检测方法.     

An Improved Method for Edge Detection and Image Segmentation Using Fuzzy Cellular Automata

Image segmentation is one of the most important and challenging problems in image processing. The main purpose of image segmentation is to partition an image into a set of disjoint regions with uniform attributes. In this study, we propose an improved method for edge detection and image segmentation using fuzzy cellular automata. In the first stage, we introduce a new edge detection method based on fuzzy cellular automata, called the texture histogram, and empirically demonstrate the efficiency of the proposed method and its robustness in denoising images. In the second stage, we propose an edge detection algorithm by considering the mean values of the edges matrix. In this algorithm, we use four fuzzy rules instead of 32 fuzzy rules reported earlier in the literature. In the third and final stage, we use the local edge in the edge detection stage to more accurately accomplish image segmentation. We demonstrate that the proposed method produces better output images in comparison with the separate segmentation and edge detection methods studied in the literature. In addition, we show that the method proposed in this study is more flexible and efficient when noise is added to an image.     

一种新的强抗噪边缘检测方法

针对传统形态学边缘检测方法存在去除噪声与边缘细节保留矛盾的问题,提出了一种能有效去除噪声且准确检测图像边缘的方法.该方法首先利用多结构元素对图像进行滤波,然后用全方位多角度线结构元素结合一种改进的形态学算子检测图像边缘,最后将所得结果进行自适应权重求和,得到噪声存在下较理想的图像边缘.实验表明,该方法对噪声具有较强的抑制能力,在准确检测图像边缘、保留更多细节边缘的同时,能够有效地去除图像中的多种噪声,具有较高的信噪比.