小波变换在X射线图像边缘检测中的应用

分析了X射线探伤图像的特点,将小波变换技术应用到X射线图像的边缘检测中,提出了基于小波变换的模极大值边缘检测算法,利用二次B样条小波,采用Mallat快速算法进行小波分解,采用分块阈值选取方法确定模极大值点,给出缺陷边缘。实验结果表明,该方法去噪效果好,检测出的缺陷边缘具有较强的连续性。     

基于自动确定阈值的小波边缘检测技术研究

小波作为图像处理的一个重要工具，以其具有的多尺度特性而在图像边缘检测领域受到了广泛的应用。该文在小波模极大值边缘提取算法的基础上，提出了一种采用模式识别中的聚类技术进行自动确定消噪阈值的边缘检测方法，且利用B样条小波和改进的K-means聚类算法对图像进行了实际的检测，实验结果证明该方法是正确和有效的。     

融合小波变换和新形态学的含噪图像边缘检测

针对图像边缘检测中,滤除图像噪声并有效保留图像边缘信息这一研究,提出了一种融合小波变换模极大值法和新型改进的数学形态学的含噪图像边缘检测方法。首先介绍了基于小波变换模极大值的图像边缘检测算法;然后提出了一种新型改进的数学形态学检测算法;最后为了综合两种算法的优点,应用新的融合方式将两种方法的检测结果融合到一起,提出一种融合小波变换和新形态学的含噪图像边缘检测方法。实验结果表明,提出的融合检测算法相比于单独使用小波变换模极大值或数学形态学算法,能更有效地抑制噪声,提高边缘检测效果。     

基于小波变换的含噪人耳图像边缘检测

为了取得含噪人耳图像的理想边缘轮廓,以实现人耳识别技术的进一步应用,对小波变换边缘检测方法进行了研究,分析了噪声消除与小波变换尺度之间的关系,详细论述了模局部极大值提取边缘的原理.针对含噪人耳图像的特殊性,阐述了一般去噪和边缘检测方法的不足,并针对这些不足提出了改进方法,首先利用样条小波多尺度分解后,相邻尺度小波系数相乘得到尺度积,然后进一步求得尺度积的模和相角,通过自适应阈值去噪提取图像边缘,取得了较好效果.     

基于3次B样条小波变换的改进自适应阈值边缘检测算法

针对含噪声图像边缘提取问题,提出了一种改进NormalShrink自适应阈值去噪算法。该算法首先通过小波变换和局部模极大值法提取出可能包含图像边缘特征的小波系数,利用边缘像素之间特殊的空间关系以及噪声在各级小波分解尺度下的不同效应,构建适合各个尺度级的改进NormalShrink自适应阈值,并依此对提取出的小波系数进行筛选。实验结果表明,与改进的Candy算子和传统的NormalShrink自适应阈值相比,本方法提取出的图像边缘较为完整清晰,峰值信噪比提升约6 db。     

基于小波变换的图象边缘融合检测

传统的边缘检测算法虽然实现简单,计算较快速,但是被检测图像较为复杂或含有噪声污染时,那些传统的边缘检测算法就很难得到理想的边缘结果。利用多尺度小波变换来检测图像的边缘是最近几年比较流行的方法,而且检测复杂图像或含噪图像的边缘比传统算法要好得多。该文提出一种在金字塔分解体系结构下利用多尺度小波变换的局部模极大值算法检测图像的边缘,并将图像分解的各层边缘信息利用小波融合算法逐个融合,以得到最终的图像边缘结果。实验结果表明,该文方法和传统的边缘检测算法相比具有定位精度高,去噪效果好等明显的优点,也能较准确地提取图像的边缘及降低计算量。     

基于小波变换的自适应梯度边缘检测算法

针对传统的单一边缘检测算法抗噪能力差、边缘不连续等不足,本文提出采用两种算法相结合的方式来进行边缘检测。首先,对原始图像进行多层小波分解;然后,对小波分解后的图像低频部分用提出的8点邻域自适应梯度算法进行边缘检测,依靠边缘生长方法保证检测出的边缘的连续性,对高频部分用小波变换的局部模极大值算法检测图像的边缘;最后,将各层边缘信息按一定的融合规则融合起来得到最终的图像边缘。实验结果表明,该方法与传统的边缘检测算法相比具有定位精度高、去噪效果好等明显的优点,也能较准确地提取图像的边缘。     

基于Sobel算子的小波去噪算法

文章在分析Sobel算子边缘锐化与小波边缘检测的基础上,提出了一种能保持图像边缘的去噪方法。对加噪图像进行平稳小波变换以后,在各尺度下利用Sobel算子对小波高频系数进行边缘锐化,采用局部模极大值进行边缘检测,对于非边缘小波系数采用小波阈值滤除。实验结果表明,该方法不仅能够滤除图像的噪声,而且能够保持图像的边缘。     

基于样条小波变换局部的医学图像边缘提取

医学图像在现代医疗诊断中起着不可低估的重要诊断作用。本文根据甲襞微循环图像的特点．采用三次B样条小波对甲襞显微图像进行小波变换，利用模局部极大值方法较好地检测出图像的边缘，定位精度较高。克服了传统的梯度法、灰度法和改进型自适应阈值模板相关匹配算法的不足。     

基于三次B样条函数的SEM图像处理

SEM图像由于其独特的实际测试意义,需要在去噪的同时突出边缘和准确的边缘提取定位,所以提出采用能够保持边缘的偏微分方法去噪和广泛应用的多尺度小波提取边缘,基于三次B样条函数作为核心算子,对用于线宽测试的SEM图像进行处理,获得了较好的去噪并保持边缘的效果以及清晰的图像边缘检测效果.     

数字全息再现图像散斑噪声消除新方法

为了消除数字全息再现像中存在的相干散斑噪声,在去除噪声并保留图像细节的基础上,提出了基于小波变换的边缘保持散斑噪声去噪方法;通过分析小波变换模极大值边缘检测和基于Neyman-Pearson准则的小波阈值去噪方法的原理,提出并应用了一种数字全息再现像散斑噪声去噪方法,利用小波模极大值方法获得边缘图像,通过基于Neyman-Pearson准则的小波阈值去噪,去噪后的图像与边缘图像合并后得到最终再现图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。     

融合小波变换和形态学差分的图像边缘检测

图像边缘检测的关键是在尽量多检测到边缘的同时更有效地抑制噪声,为此提出了一种融合小波变换和形态学差分算法的边缘检测方法。将源图像进行小波分解,高频分量利用小波模极大值算法进行边缘检测,可有效提取高频边缘;低频分量采用形态学差分算法进行边缘检测,能够检测出低频边缘;采用一定的融合规则将两个边缘检测图像融合在一起。实验结果表明,该方法优于单独使用小波模极大值法或数学形态学法,对噪声具有很好的鲁棒性,得到的图像边缘连续、清晰。     

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。     

一种基于小波变换的图像边缘检测方法和实现

介绍了小波变换的基本理论以及小波分析方法用于图像边缘检测的基本原理及利用小波变换进行边缘检测的方法。接着重点研究了基于B样条小波的多尺度边缘检测,并且利用这种方法在几个不同尺度下分别提取了图像边缘。可以看出该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,优于其他已有的边缘检测方法。     

结合边缘颜色与形状特征的图像检索方法

小波变换具有良好的局部特性与多尺度特性, 能多尺度逼近边缘, 这使得它在图像奇异性检测和特征提取方面得到了广泛的应用. 通过三次样条二进小波变换模极大值法提取图像彩色边缘, 用彩色边缘的环形颜色直方图表示颜色特征, 用小波模极大值的环形直方图表示形状特征; 最后利用上述两种直方图计算图像间的相似度, 并进行彩色图像检索. 实验结果表明该算法不仅具有较好的查准率和查全率, 而且对图像中存在的光照变化和几何变化(尺度, 平移, 旋转等)具有较强的鲁棒性.     

小波模极大值在图像消噪中的应用

提出利用小波模极大值进行图像消噪方法,对含噪声图像进行离散平稳小波变换和噪声标准差的估计,在Bayes-shrink阈值计算的基础上,得到消噪的阈值计算公式。对各尺度各子带的小波系数模极大值进行判断,获得由图像边缘产生的小波系数,使用自适应多阈值的方法在小波各尺度、各子带萎缩非图像边缘产生的小波系数。经平稳小波逆变换得到消噪后的图像。实验结果表明,与以前消噪方法相比,该方法具有更好的效果。     

融合双阈值和改进形态学的边缘检测

图像边缘检测的关键是在尽量多检测到边缘的同时更有效地抑制噪声,为此提出一种融合双阈值和数学形态学的边缘检测方法。首先对原图像进行小波分解,利用双阈值法处理高频分量,利用多尺度多结构数学形态学算法处理低频分量;然后采用差影法对高低频边缘图像融合。实验结果表明,对比单一使用小波模极大值法或数学形态学法,该算法具有更好的抑制噪声能力,检测出的边缘更加连续、清晰。