一种基于数学形态学的彩色图像边缘检测方法

边缘检测对于彩色图像的处理是一个难题,文章提出了一种基于数学形态学的彩色图像边缘检测的算法,其思想是:对图像用一定的结构元素操作后,与原图像相减.对彩色图像进行腐蚀和膨胀操作的数学形态学算子是本文算法的关键.实验结果表明,本算法能较好地检测出彩色图像的边缘.在对色调的保护上明显优于Sobel和Prewitt算子扩展法,能较好的检测出图像中存在的特征与背景变换缓慢的边缘信息.     

基于HSL空间彩色图像多结构元形态边缘检测

构建了一类在HSL颜色空间基于多结构元彩色形态边缘梯度检测算法实现彩色图像边缘检测新算法,多结构元形态边缘检测有着比单一结构元素形态边缘检测更优越的性能。该方法是把RGB空间的彩色图像转换到HSL空间,并且定义了在HSL空间的彩色形态学基本算子,提出了改进的多结构元彩色形态边缘检测算法。经过大量实验证明,该算法在有噪声的干扰下,比传统的方法能够更好地抑制噪声并提取有用的图像边缘信息,能满足不同的应用需要。     

基于Sugeno模糊积分的形态学彩色图像处理

在Sugeno模糊积分和柔性多结构基础上,提出新的彩色图像形态学滤波器和边缘检测方法。基于Sugeno模糊积分的评价值进行彩色图像点的矢量排序,通过结构元素的比较分析,得出柔性多结构元素抗噪声能力更强。与基于HSV矢量排序的方法比较,基于Sugeno模糊积分矢量排序的形态学变换效果更好。实验表明,新的形态学算法比经典形态学算法能更有效地去除图像的噪声和获取彩色图像边缘,保留图像细节。     

改进的彩色图像边缘检测算法仿真研究

研究彩色图像边缘检测准确性问题,因图像边缘保护能力较差,且图像在传输过程中特别容易受到噪声的干扰,造成了图像边缘模糊等问题缺陷.针对传统边缘检测算法存在的边缘分辨率较低的问题,提出了数学形态学彩色图像边缘检测改进算法.首先将采用数学形态四运算,膨胀、腐蚀、开、闭等变换以及组合,并根据不同的结构元素的尺度大小和结构元类型,给出了一种改进型形态学抗噪型边缘检测算子,有效地检测出完整的图像边缘信息,并保持图像边缘的平滑性.仿真实验结果证明,改进的算法能有效提取准确的边缘信息,且又具有很强的抗噪性,为图像边缘检测提供了参考.     

结合形态学变形虫和复合颜色空间的彩色图像边缘检测模型

为解决彩色图像边缘检测中出现的RGB空间中向量排序、边缘准确定位以及抗噪性问题,提出一种基于形态学变形虫(自适应结构元素)并联合使用HSV空间和RGB空间的彩色图像边缘检测方法.首先在HSV空间中计算变形虫结构元素,克服了传统形态学结构元素选择不合理的缺点;然后借助HSV空间中的度量,并将其转换到RGB空间中完成向量的排序;再在RGB空间中,通过计算上述变形虫结构元素中像素间距离最小值定义边缘强度,不仅避免了HSV空间边缘定位不准确的问题,而且提高了算法的抗噪性;最后借用Canny算子的思想得到单像素边缘.实验结果表明,该方法能够充分考虑到图像的局部特征,边缘定位准确、抗噪效果显著,能得到有效、丰富的边缘信息.     

多方向模糊形态学彩色图像边缘检测算法*

提出了一种多方向模糊形态学彩色图像边缘检测算法,并将灰度模糊形态学推广到彩色图像。首先采用隶属度函数将彩色图像映射到模糊域;然后采用多方向模糊形态学在R、G、B三个分量上进行边缘检测;最后合成各分量的边缘,得到最终彩色图像边缘。仿真实验证明,该算法能够较好地检测彩色图像边缘,检测结果优于传统的边缘检测算子,并能够检测出彩色图像中的模糊边缘。     

基于Prewitt算子的彩色图像边缘检测方法改进

使用灰度图像算法进行彩色图像边缘检测,会造成图像边缘漏检。针对这个问题,本文在输出融合法基础上,对Prewitt算子进行了改进,提出一种适用于彩色图像的边缘检测方法。实验表明,改进算法能有效检测彩色图像边缘。     

基于HSI空间的柔性形态学的彩色图像边缘检测

将柔性形态学用于检测HSI:空间的彩色图像的边缘中,并且拓宽柔性形态学的结构元素,采用多尺度多结构元素的方法.经过大量的实验证明,本算法在有噪声的干扰下,比传统的方法能够更好地抑制噪声并提取有用的图像边缘信息.     

鲁棒的形态学彩色图像边缘检测算法

针对传统边缘检测算子对噪声敏感的缺点,提出一种新的基于数学形态学的彩色图像边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,设计出一种多尺度、多结构元素的抗噪型边缘检测算子,利用新算子对R、G、B三个分量分别检测出图像的边缘分量,对三个边缘分量进行融合得到最终的彩色边缘信息。仿真实验表明,该方法得到的边缘轮廓清晰,边缘定位精度较高,比传统的边缘检测方法具有更好的噪声鲁棒性和边缘细节保护能力。     

基于数学形态学的彩色噪声图像边缘检测算法*

针对已有的数学形态学边缘检测算法对彩色噪声图像检测到的彩色边缘信息不够完整、清晰,提出了一种基于HSI色彩空间的多尺度多结构元的数学形态学边缘检测算法,采用以尺度和结构两个单位元素进行横向和纵向的拓展,以面的形式对彩色噪声图像进行全面的边缘检测。基于这种理念分别对H和S两个携带颜色信息的分量进行边缘检测,最后将两分量的边缘信息通过加权合成得到彩色图像的彩色边缘。实验证明,该算法的去噪效果明显,得到的彩色边缘轮廓清晰、细节丰富,对彩色边缘的提取具有可行性和有效性。     

彩色遥感图像的一种边缘检测算法研究

针对彩色遥感图像的复杂性、模糊性和噪声强等特点,提出了一种基于多方向模糊形态学梯度的彩色遥感图像边缘检测算法.算法在模糊域中用多个不同方向的结构元素,对彩色遥感图像进行模糊形态学梯度运算以检测彩色遥感图像边缘,不但能检测出具有方向性的真实边缘,还能有效抑制无方向性的噪声.实验证明,该算法对彩色遥感图像进行边缘检测的有效性.     

基于主轴分析和嵌入置信度的彩色边缘检测

边缘提取是获取图像特征的基本方法之一,彩色图像提供了比灰度图像更丰富的信息,彩色图像的边缘检测日益受到人们的重视。分析了目前常见的彩色图像边缘检测算法,提出了一种将主轴分析和嵌入置信度相结合的边缘提取算法,通过实验证明,该方法充分利用了图像的彩色信息,能够有效地保护边缘细节,提高检测精度,具有良好的边缘提取效果和边缘连续性。     

改进的HSI空间形态学有噪彩色图像边缘检测

针对在RGB空间中很难有效区分颜色相似性问题,选择了更加符合颜色视觉特性的HSI颜色空间进行图像处理,提出了一种改进的形态学有噪彩色图像边缘检测方法,将开闭的迭代运算和双结构元多尺度运算应用到传统形态学梯度算子中,然后计算图像H、S、I三个分量的边缘信息,根据H、S、I所占比重对三分量进行加权融合得到彩色图像边缘.实验结果表明,该方法所检测的边缘符合人眼视觉特性,在抗噪声方面的效果比传统方法及其他多种方法更佳,能够更完整地保留原彩色图像的轮廓,计算量相对较小,有很好的实用性和通用性.     

一种基于立方体相似度的彩色图像边缘检测算法

对彩色图像边缘检测算法进行了研究,提出了一种基于立方体相似度的边缘检测算法,同时,对几个相关的问题做了详细的描述,如颜色空间的概念、分类等。这种算法在一定程度上合理地对R、G、B三个颜色分量之间的关联性进行了构造,对相关颜色的向量问题转为标题问题,转入了发展相对完善、人们更为熟悉的领域。经过实验得出,该算法可以很充分的通过图像的颜色信息,使原彩色图像的边缘得到更完整的保留。     

结合四元数与最小核值相似区的边缘检测

目的 针对传统彩色图像边缘检测方法中未充分利用图像色度信息、颜色模型间非线性转换过程中时间和空间的大量耗费、算法实现复杂等问题,将四元数引入最小核值相似区（SUSAN）算法中,提出一种RGB空间下的结合四元数与最小核值相似区的边缘检测算法。方法 该算法首先对彩色图像进行四元数描述,然后用改进的SUSAN算子进行边缘检测。针对其中单一几何阈值g的限制,以及检测出的边缘较粗等问题,本文采用Otsu算法自适应获取双几何阈值,再对弱边缘点集进行边缘生长,最后根据USAN重心及其对称最长轴来确定边缘局部方向,实现对边缘点的局部非极大值抑制,得到最终细化后的边缘图像。结果 实验选取1幅合成彩色图像及3幅标准图像库图像,与彩色Canny算法、SUSAN算法,及采用单阈值的本文算法进行对比,并采用Pratt品质因数衡量边缘定位精度。本文算法能够检测出亮度相近的不同颜色区域之间的边缘,且提取的边缘比较连续、细致,漏检边缘较少。与公认边缘检测效果较好的彩色Canny算法相比,本文算法的品质因数提高了0.012 0,耗时缩短了2.527 9 s。结论 本文提出了一种结合四元数与最小核值相似区的边缘检测算法,实现了四元数与SUSAN算子的有效融合。实验结果表明,该算法能够提高边缘定位精度,对弱噪声具有较好的抑制能力,适用于对实时性要求不高的低层次彩色图像处理。     

基于改进粒子群算法的彩色图像边缘检测方法

针对传统图像边缘检测方法检测效果不理想的问题,利用四元数的矢量旋转原理,将一种改进后的粒子群优化算法引入四元数图像边缘检测中,提出一种新的彩色图像边缘检测方法。实验结果表明,该方法对彩色图像的边缘检测效果较好,能够提取图像纹理细节,且算法稳定、容易收敛,边缘检测速度也较快。     

基于双搜索蜂群算法的四元数彩色遥感图像边缘检测

随着遥感图像大数据的出现,常见的彩色遥感图像边缘检测方法运算量大、速度慢、效果差等缺点越来越明显。以四元数表示彩色像素为基础,改进人工蜂群算法的单一搜索方程,加大雇主蜂搜索范围,加入跟随蜂莱维飞行因子,提出了基于双搜索方程的人工蜂群算法。实验结果表明,该算法具有计算量小、去噪能力强、边缘检测效果好等优点。该算法能有效地应用于从遥感图像中获取识别目标。