顺序形态变换边缘检测方法

提出了一种基于顺序形态变换的边缘检测方法.该方法构造了基于百分位顺序形态变换的边缘检测算子,根据不同结构元素的尺度大小与结构元素的类型,选择不同的形态变换的百分值,从而使变换结果图像的平均值最小.实验结果表明,与固定结构元素的边缘检测方法相比该方法锐化了图像边缘、具有很强的抑制噪声能力和良好的边缘检测性能.     

基于Tsallis熵差的遥感图像边缘检测方法

基于Tsallis熵差和百分位形态变换,提出了一种改进的遥感图像边缘检测方法。该方法通过构造基于百分位形态变换的边缘检测算子和选择不同方向结构元素进行变换来增加图像的边缘信息,并且该方法在百分位形态变换的基础上还改进了百分位变换的评价准则。它利用图像Tsallis熵差来选择边缘检测算子的百位变换值,将选择Tsallis熵差最大的百分位变换作为变换结果。实验结果表明,与传统的基于数学形态学的边缘检测方法相比,该方法可以最大程度上抑制噪声,有效地提高图像的边缘检测效果。     

基于多结构元顺序形态变换的灰度图像边缘检测

在简要介绍顺序形态变换的基本概念及相关性质和对顺序形态变换进行边缘检测的原理进行阐述,以及对结构元素和百分位对边缘检测的影响进行讨论的基础上,根据图像形态学多刻度形态滤波的思想,从抑制噪声的角度对基本边缘检测算子进行推广和扩展,首先构造了3种边缘检测算子,并从理论上分析了算子的特性;然后将多结构元与图像边缘进行匹配,提出了3种广义顺序形态边缘检测算子并给出了一般表达形式;最后着重探讨了多结构元素及二重混合顺序形态变换百分位值p、q的选取原则.实验结果表明,该边缘检测算子在抑制噪声对图像边缘的影响和保持图像细节方面,优于传统的边缘检测算子和普通的形态边缘检测器.     

基于顺序形态学自适应边缘检测方法

基于顺序形态学自适应边缘检测方法是图像处理新技术之一,针对形态学单一结构元素在边缘检测中图像边缘信息丢失的问题,根据图像形态学多刻度形态滤波的思想,提出了基于顺序形态学自适应边缘检测方法。根据传统的形态学边缘检测方法,该方法构造了边缘检测算子,给出了边缘检测算子的评价函数。通过该函数选择不同方向的结构元素增加图像的边缘信息。实验结果表明,与传统的基于数学形态学的边缘检测方法相比,该方法可以最大程度上抑制噪声,有效地提高图像的边缘检测效果。     

基于顺序形态变换的图像边缘检测

该文分析了顺序形态学和普通形态学运算的特点,在此基础上研究了基于顺序形态运算的边缘检测,通过对原始图像采用不同百分位值和结构元素的顺序形态变换,可以选择不同阈值和图像中目标信号分布范围,结合Canny检测算子能有效检测灰度接近背景的目标区域的边界。     

量子衍生形态学图像边缘检测方法

提出了一种基于量子测量和坍缩的自适应形态运算。该形态运算的结构元素处于叠加态,在结构元素平移的过程中,由平移点邻域的图像局部特征生成测量算子并对该结构元素进行测量使其坍缩到相应的基态—传统结构元素。由于不同像素点的邻域特征不同,从而形成自适应形态运算。一种基于均方差的测量算子生成方法被提出。计算机仿真实验表明由该形态运算所构成的图像边缘检测算子能从噪声干扰的图像中有效地检测出图像边缘。     

基于多结构元素的数学形态学的遥感图像边缘检测方法

提出了一种边缘检测的有效算法。该算法在数学形态学的基础上，针对图像中噪声和边缘形态的不同建立了多结构元素，利用灰度形态变换原理进行边缘提取。实验表明，与经典的边缘检测算子相比，该算法具有很好的边缘提取能力，但其抗噪能力较差。为此，探讨性地提出了基于小波变换和数学形态学相结合的边缘提取方法。     

一种改进的小波自适应边缘检测算法*

为合理选择小波变换尺度,解决抑制噪声和边缘定位之间的矛盾,提出了一种基于局部熵的自适应尺度选择方法,采用局部熵预处理图像,根据熵值大小自适应地选择小波变换的尺度,各区域分别按照相应的尺度进行小波变换检测图像边缘。实验结果表明,此方法比基于均方差的小波自适应算法检测到的边缘更清晰,定位更准确。     

数学形态学的边缘检测算法研究

边缘检测是图像处理与模式识别的一个重要图像预处理过程。传统的边缘提取方法如Sobel、Prewitt和Canny等非常有效但对噪声非常敏感。形态学边缘检测目前已成一个研究热点,但大多算法采用单一结构元素,很难对复杂边界进行有效的处理。因此提出一种基于多结构元素多尺度的数学形态学边缘检测算法,先用多尺度结构元素交替顺序形态开-闭平滑图像以去噪,再用多结构元素对不同方向的边缘进行提取,最后把各方向边缘融合得到图像边缘。实验结果表明,提出的算法不仅有很强的抗噪性,而且很有效的提取图像的边缘。     

基于多尺度形态学的红外图像边缘检测方法

提出了一种基于数学形态学算子的多尺度边缘检测方法。首先选取几个有代表性的结构元素对灰度图像进行边缘检测得到边缘图像。改变结构元素的尺寸大小可得到多尺度下的边缘图像，根据局部边缘生存期的长短将不同尺度下的边缘图像合成。对噪声大、边缘较模糊的红外图像进行了边缘检测与比较，实验表明该算法抗噪能力强，能得到更精细准确的边缘。     

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。     

小波变换在活塞环图像边缘检测中的应用研究

小波变换是时间频率的局部化分析，它可以通过伸缩平移运算对信号逐步进行多尺度细化。本文正是基于小波变换在图像处理领域中表现出的多尺度分析，提出了用小波变换检测活塞环图像边缘的方法，这种方法通过对二维小波变换图像局部极大值的检到得到图像的边缘信息。通过实验证明了这种方法的有效性。     

基于信息熵的复杂网络社团划分建模和验证

社团结构是复杂网络最普遍和最重要的拓扑属性之一,社团结构的划分方法对分析复杂网络相关统计特性具有十分重要的理论意义.为了提高社团划分精度,提出了一种新的基于信息熵(information entropy)模块度的社团划分算法(简称IE算法).在有着确定社团结构的数据集和不确定社团结构的数据集上,通过选取Q值、社团划分个数、社团最大连通分量大小和强弱社团个数比例4个重要参数,将IE算法与两种最主要的基于模块度的划分算法GN(Girvan-Newman)和FastGN(Fast Girvan-Newman)进行对比,实验结果证明了IE算法在社团划分性能上优于GN和FastGN;将IE和其他7种最主要的经典社团算法进行时间复杂度分析,并在随机网络和真实网络上进行实验,结果表明该算法时间复杂度在GN与FastGN之间,时间复杂度小于GN而精确度优于GN,证明了在大多数数据集上IE算法的社团划分准确度优于传统基于点边比率的社团划分算法的准确度.     

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。     

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。     

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。