形态学结构元的二次分解方法

利用数学形态学方法进行图像处理的过程中,对形态学结构元进行分解,可以达到降低计算复杂度和便于利用通用的简单形态学硬件模块实现复杂的形态学运算的目的．讨论了将复杂结构元分解为简单结构元而不降低结构元维数的传统分解方法,并提出了对结构元进行两次降维分解的结构元分解方法,以达到提高形态学运算效率的目的,将每个像素的计算时间复杂度从O(n^2)降低到O(n),n为结构元的大小．文中方法还具有利于硬件实现和并行实现的特点,为加快形态学变换运算提出了新的实现思路．     

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。     

一种基于形态学多结构元的自适应边缘检测算法*

基于形态学的图像边缘检测是图像处理的新技术之一,针对形态学单结构元在边缘检测中遗漏边缘信息的问题,提出了基于多结构元的自适应边缘检测算法。实验证明,该算法在检测边缘时能够获得比单结构元检测更多的边缘信息,具有较高的效率和很好的抗噪声能力,是一种有效的边缘检测方法。     

自适应多结构元形态学边缘检测方法

对自适应选取结构元权值以及如何有效去除混合噪声是多结构元形态学边缘检测中尚待解决的两个问题,在深入研究各种形态学边缘检测方法的基础上,提出了基于灰度距离逻辑函数和基于边缘方差两种自适应多结构元形态学边缘检测方法。首先对原始图像进行最优阈值分割二值化,其次从灰度距离和边缘方差两个角度分别实现结构元的自适应选取,最后选择形态算子进行边缘检测。方法具有更好的抗噪性和灵活性,能更加精确的体现原有图像的边缘方向信息。通过仿真实验,验证了方法的可行性和有效性。     

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。     

形态学结构元的递归遗传分解算法

大尺度复杂结构元对图像进行处理过程中,在运算时间和硬件实现上受到了极大限制。将大尺度结构元分解为若干小尺度结构元的组合运算,能够降低运算复杂度,便于实现。在深入研究各种分解方法的基础上,提出了基于遗传思想的递归分解算法。将原始结构元逐步分解为若干3×3大小结构元的膨胀和并的混合运算,可分解任意类型的二值结构元,而且能够并行运算,提高了运算效率和通用性,易于硬件实现。通过具体算例,验证了算法的可行性和有效性。     

形态学运算中结构元的分解

本文对数学形态学中的结构元给出了新的分解定义,同时给出了相应的分解定理、分解原则以及最小分解判定定理.     

一种基于噪声点邻域的形态学滤波算法研究

以可疑噪声点为中心构建一定大小的邻域,对可疑椒噪声点邻域进行形态学闭滤波,对可疑盐噪声点邻域进行形态学开滤波,并以滤波后的该邻域中心点的灰度值替换可疑噪声点的灰度值,而非可疑噪声点的灰度值保持不变.实验表明,该方案切实可行,滤波后的图像具有均方误差小以及峰值信噪比高等优点.其滤波性能相比标准中值滤波算法、形态开闭组合滤...     

基于模糊融合的Soft多结构形态学彩色图像滤波

在HSV彩色空间提出了一种基于模糊融合和Soft多结构元素的新的彩色形态学滤波。基于模糊融合的评价值来进行彩色图像点的矢量排序,与基于HSV矢量排序的方法相比,滤波效果更好。实验结果表明,该形态学滤波算法比经典形态学滤波算法更有效地去除图像的噪声,保留图像细节。     

Decomposition of Separable Concave Structuring Functions

This paper presents a decomposition scheme for a large class of greyscale concave structuring functions from mathematical morphology. In contrast with many existing decomposition schemes, our method is valid in the continuous domain. Conditions are given under which this continuous method can be properly discretized. The class of functions that can be decomposed with our method contains all concave 2D-functions that are separable in two 1D-functions. This class contains the class of quadratic functions, that are of major importance in, for instance, distance transforms and morphological scale space. In the continuous domain, the size of the structuring elements resulting from the decomposition, can be chosen arbitrarily small. Conditions under which the discrete version of the decomposition can be guaranteed are given. For functions from the mentioned class, that can be separated along the standard image axes, a discrete decomposition in elements of n × n pixels is always possible, with n 3. The parabola fall in the atter category.     

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。     

基于数学形态学的边缘检测算法研究及应用

为了更好地提取图像边缘信息并且抑制噪声,根据Canny评价边缘检测性能优劣的三个指标的启示和多结构元思想,对一般数学形态学边缘检测进行两点改进：一是利用复合数学形态学滤波器对图像滤波,二是利用多结构元思想构造多结构元抗噪型数学形态学边缘检测器。同时总结了利用改进的数学形态学边缘检测算法进行边缘检测的步骤。实验结果表明,该方法可以保留更多的边缘信息,一定程度上解决了信噪比和单边缘响应两个性能指标之间的矛盾。最后将其运用到气密性测试中,得到一种新的气密性测试方法。     

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。     

噪声图像形态边缘检测的改进算法

研究了数学形态学在图像边缘检测中的具体应用,针对脉冲噪声污染的图像,深入分析了已有的抗噪型形态学差分算子的优缺点,结合对多方位形态学结构元素在边缘检测中应用的研究,提出了一种改进算法。实验表明,改进算法可以很好地去除噪声,同时较好地检测出图像边缘,改进效果明显。     

噪声图像形态边缘检测的改进算法

研究了数学形态学在图像边缘检测中的具体应用，针对脉冲噪声污染的图像，深入分析了已有的抗噪型形态学差分算子的优缺点，结合对多方位形态学结构元素在边缘检测中应用的研究，提出了一种改进算法。实验表明，改进算法可以很好地去除噪声，同时较好地检测出图像边缘，改进效果明显。     

结合小波滤波和形态学的图像边缘检测方法

针对传统的边缘检测方法对含噪图像检测效果不理想,提出了一种小波滤波和多结构元素的数学形态学相结合的图像边缘检测方法。用广义交叉验证准则进行小波阈值的自适应选取,用此阈值的广义阈值函数的小波滤波方法对含噪图像去噪;构造4种具有代表性的结构元素,根据边缘方向自动选择相应方向的结构元素,用改进的形态学边缘检测算子对图像进行边缘检测,得到在噪声存在条件下较为理想的图像边缘。实验结果表明,该算法能够有效地抑制噪声,检测的边缘较清晰、连续,其检测效果优于传统边缘检测算法。