基于数学形态学的显微图像边缘检测技术分析

根据微生物显微图像中微生物形态各异、容易重叠、边缘灰度接近等特性，利用数学形态学方法的思想，用灰度形态学作初步边缘处理，用二值形态学的方法进行边缘修复。并对原始图像用其它微分算子进行边缘检测，实验结果表明基于数学形态学的边缘提取算法对于微生物显微图像边缘检测有很好的效果，能够满足后期识别处理的需求。     

基于均衡化及柔性形态学的显微图像边缘检测

对显微图像进行噪声过滤和增强是对其进行的分类、识别、检测处理的基础,在分析、综合传统的图像增强和图像分割的算法的基础上,将直方图变换和柔性数学形态学组合,提出了基于均衡化及柔性数学形态学的显微图像边缘检测方法,并通过实现表明该方法能够有效的抑制微生物显微图像的噪声,提高检测精度,保护边缘细节,并且易于编程实现.     

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。     

灰度图像边缘检测中的形态学方法

介绍了用形态学进行灰度图像边缘检测的算法,分析了其几何意义;用计算机实现了形态学方法对灰度图像的边缘检测,并与用传统的Ｌａｐｌａｃｅ算子、Ｓｌｂｅｌ算子进行边缘检测的结果进行了比较。     

AFM显微图像多尺度形态边缘检测算法

提出一种适应于显微图像的多尺度形态边缘检测算法.用不同尺度大小的结构元素分别检测出显微图像不同尺寸边缘信息,进行图像规格化处理以消除不同尺度边缘图像的灰度值分布差异,运用取极小值方法对所获处理后图像边缘进行自适应融合.实验结果表明运用该算法获得理想图像边缘的同时,增强了模糊边缘,有效地消除了噪声,对显微图像处理十分有效,检测到的边缘非常清晰.     

基于形态梯度运算的遥感图像边缘检测

针对常规线性边缘检测器处理遥感图象时细节丢失严重的缺点,介绍了数学形态学基本理论,讨论了数学形态学在边缘检测中的应用.形态学的灰度梯度运算是在经典形态变换基础上提出的一类非线性算子.对于结构元素的选取作了一定的说明.另外,还与传统线性算子的处理结果进行了比较.通过计算机对遥感图像的模拟实验表明：基于形态灰度梯度运算的遥感图像边缘检测方法,不但几何意义明确,易于构造,而且性能也优于传统检测算子,证实了该方法的可行性.     

基于改进形态学Top-Hat算子的图像边缘检测

基于数学形态学理论,提出在形态学灰度图像梯度的基础上,结合改进的Top-Hat算子变换进行图像边缘检测方法.对改进的形态学Top-Hat算子原理进行说明,通过实验和传统的形态学Top-Hat算子图像边缘检测方法进行了比较.实验结果表明,改进的方法不仅增强了图像阴影细节,而且有效避免了图像原有细节的丢失.     

基于多尺度数学形态学的边缘检测

提出了一种基于多尺度数学形态学的图像边缘检测方法,利用数学形态学在描述灰度图像方面的优势,分析了在不同尺度下边缘提取的特点,采用非极大值运算方法提取边缘点,并与其他形态学边缘检测法进行了比较,给出了在含噪条件下边缘提取的实验结果。     

图像边缘分割算法的优化研究与仿真

研究图像边缘分割问题,提高分割的准确性.针对图像中物体像素与其边缘像素容易发生像素粘连,粘连部分由于发生像素灰度混合,造成像素差异极小,传统的基于灰度的边缘检测算法由于不能很好的区分粘连部分的灰度差异,不能完整检测图像边缘的问题.提出了一种离散余弦变换(DCT)和数学形态学边缘分割算法.通过对提取过的特征图像在同一尺度下用多个结构元素分别对图像进行边缘分割,经过合成得到多尺度多结构元素形态学检测的边缘图像,摆脱分割算法对像素灰度的依赖.仿真结果表明:方法具有较好的抗干扰性和定位准确性,分割的边缘更为完整准确,取得了令人满意的效果.     

基于形态学方法的胃癌病理细胞图像的边缘检测

为了进一步用流域分割和图像信息融合的方法对于细胞形态的分析与识别打下基础，提出了利用形态学原理进行胃癌病理细胞图像灰度化边缘检测，并获得了实验性结果。通过与传统边缘检测方法进行结果对比，证明了形态学方法在医学病理细胞图像边缘检测研究的优势，同时结合图像纹理特点，对影响图像边缘检测的各种结构元素和灰度阈值进行了讨论。     

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。     

一种基于数学形态学与改进的SUSAN算子边缘提取快速算法

提出基于数学形态学和SUSAN算子的灰度图像边缘提取方法,同时对SUSAN算子进行了改进.该方法利用数学形态学开运算估计背景,将原始图像与背景进行几何运算,在处理后的图像上运用改进的SUSAN算子提取边缘,并进行了仿真实验.实验结果表明,该方法不仅具有较好的去噪和边缘提取能力,而且算法简单易于实现,运算速度快.     

基于形态学多结构元边缘提取方法的研究

通过对传统形态学边缘提取方法的分析,提出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,又可很好地解决了噪声抑制和保持图像边缘细节之间的矛盾,通过灰度加权平均值作为阈值进行二值化,更加突出了边缘效果。实验表明:基于形态学的多结构元边缘提取算子,具有较高的噪声抑制能力,能够完成复杂背景下的边缘提取。     

基于多结构元的形态图像边缘检测算法

基于修正的边缘检测算子和形态滤波思想,提出一种新的多结构元素形态学灰度图像边缘检测算法。在该算法中,自适应确定权重,并将各个结构元素下的检测信息进行加权求和,得到噪声存在条件下较为理想的图像边缘。仿真结果表明所给算法效果优于经典的边缘检测方法。     

融合Canny算子和形态学方法的路径识别

针对室内走廊样本，分块进行非线性灰度变换将图像对比度增强，通过Canny算子进行边缘检测，并在此基础上采用具有多结构和多尺度思想的形态学方法，完成边缘连接，得到清晰、完整的边缘图像。根据检测到的边缘，得出机器人行走的路径中线，为机器人行走提供依据。该文在算法描述的基础上进行了仿真实验，结果表明该方法是可行且有效的。     

基于VPRS粗糙熵的图像分割

变精度粗糙集是解决模糊决策问题的重要工具，图像边缘信息本身就具有一定的不确定性和模糊性，而图像分割的效果直接依赖于对图像边缘像素的判断精度，因此变精度粗糙集可以更精确地表达图像边缘。将经典图像粗糙集模型扩展到图像变精度粗糙集模型，并将其应用于灰度图像边缘判定问题，利用变精度粗糙集的上下近似定义，构造了变精度灰色形态学算子，依据灰度图像粗糙熵的定义，提出一种基于VPRS粗糙熵的图像分割算法。针对噪声图像，该方法用变精度粗糙集模型判断目标、背景和边界像素集，在不同参数下判断近似集时容忍部分噪声点的存在，从而可获得较好的灰色边缘图像。实验结果说明，由于变精度灰度形态学算子避免了复杂参数优化过程，算法时间执行效率高；同时由于粗糙形态学算子对噪声的优良处理能力，新算法具有较好的噪声鲁棒性。     

图像边缘检测技术的改进

比较了Roberts算子、Sobel算子、Gauss－Laplace算子、Canny算子等几种传统的边缘检测技术,指出这些算法在边缘检测精度和抗噪声性能方面存在一定的问题。在分析以上算子的缺陷后提出改进的方法。通过迭代算法寻找最佳阈值,增强了目标和背景的对比和目标边缘,准确提取目标区域,并结合形态学进行轮廓提取,有效减少噪声对灰度门限值的影响,通过对实验图像的分析表明,改进的检测算法对图像边缘提取具有较好的检测精度,抗噪能力和准确性。     

用Sobel算子细化边缘

提出了一种用Ｓｏｂｅｌ算子细化边缘的新方法,通过引入衰减因子得到不失真的灰介边缘图Ｐ１,然后将灰阶边缘图Ｐ１用Ｓｏｂｅｌ算子进行正理２,得以边缘的边缘图Ｐ２,再用前者减去后者得差值图Ｐ３,再将Ｐ３中为负的点改为０,用以除去３图中边缘外侧的点,从而得取边缘产细的边缘,对于边缘模糊的部分这种过程可以重复多次,最后也可得到较细的边缘（但不一定连接）,此种方法对于处理其它边缘检测方法得到的边级也有效。边缘     

图像降噪组合滤波优化算法

论文利用中值滤波算子和灰度数学形态学中的开、闭算子设计了一种用于灰度图像降噪处理的优化组合滤波算法。提出了一种简单、实用的评价函数用于算法的优化过程。该算法能根据输入噪声图像自动调整算子的组合结构获得最佳的滤波输出,并克服了中值滤波算法在处理灰度图像时对噪声强度的敏感问题。该优化算法简洁、耗时少。算法的实用性用计算机进行了仿真验证。     

基于机器视觉的非结构化道路检测算法研究

提出了一种提高非结构化道路边缘检测实时性和准确性的算法。该算法中首先对原始道路图像进行中值滤波,抑制随机噪声,并选择基于双峰法的多阈值Otsu方法进行图像分割,使分割效果和分割时间得到优化。通过Canny算子进行初次边缘检测,然后,采用数学形态学修正,从而得到完整、清晰的道路边缘图像。仿真结果表明:该非结构化道路检测方法具有良好的实时性和准确性。