基于信息熵度量的高斯尺度空间角点检测算法

图像的多尺度表示是指从原始图像出发,导出一系列越来越平滑、简化的图像,这种简化意味着图像信息的丢失。图像角点是图像的一个重要的局部特征,本文结合尺度空间理论,实现了多尺度下Harris角点检测,并利用信息熵计算每一尺度下图像的信息量,信息熵是衡量不同尺度下图像信息的可靠方法。通过实验对提取出的特征点进行攻击,证明了这些点具有很好的鲁棒性,与单尺度Harris角点检测相比,该特征点具有更高的重复率,即尺度不变性。     

基于多分辨率分析与形态学分水岭算法的图像分割

由于分水岭算法存在着过分割的问题,本篇论文提出了一个有效解决该问题的方法。首先,在图像预处理过程中先对图像进行小波分解;其次,采用形态学求梯度的方法得到小波分解后的低频图像的梯度图并对其进行开闭重建,在保留区域重要轮廓的同时去除噪声和图像细节;第三,对重建后的低频梯度图像进行基于标记约束的分水岭分割,并将低分辨率的分割结果图像向全分辨率映射。试验结果表明该方法能够很好地抑制过分割,同时通过结构元素的选择而具备一定的灵活性,整个过程无需进行合并处理,从而降低了分割的复杂性。     

基于改进的分水岭算法的图像分割

考虑到分水岭算法存在过分割问题,本文提出一种有效解决方法。在图像预处理过程中首先对图像进行中值滤波来消除部分噪声;然后采用形态学求梯度的方法得到原始图像的梯度图并对梯度图像进行开闭重建,在保留区域重要轮廓的同时去除了噪声和图像细节。在此基础上对重建后的梯度图像进行基于标记约束的分水岭分割。实验结果表明该方法能够较好地抑制过分割,同时通过结构元素的选择而具备一定的灵活性,整个过程无需进行合并处理,降低了分割的复杂性。     

基于梯度重建与形态学分水岭算法的图像分割

由于分水岭算法存在着过分割的问题,文章提出了一个有效解决该问题的方法。首先,在图像预处理过程中先对图像进行形态学滤波,消除部分噪声;其次,采用形态学求梯度的方法得到原始图像的梯度图并对其进行开闭重建,在保留区域重要轮廓的同时去除噪声和图像细节;第三,对重建后的梯度图像进行基于标记约束的分水岭分割。试验结果表明：该方法能够很好地抑制过分割,同时通过结构元素的选择而具备一定的灵活性,整个过程无需进行合并处理,从而降低了分割的复杂性。