基于轮廓结构元素形态学的多尺度边缘检测

提出一种改进的基本轮廓结构元素形态学的多尺度边缘检测的方法。用基于轮廓结构元素的形态学提取多尺度下的图像边缘,然后加权融合,采用非极大值抑制算法细化边缘。该方法在有效抑制噪声的同时保护了图像的细节。实验结果证明该方法在提取受噪声污染的图像的边缘时非常有效。     

基于多尺度多结构元的数学形态学边缘检测

针对传统的边缘检测算子对噪声敏感问题,提出了一种基于多尺度多结构元素形态学边缘检测算子。该算子在传统形态学边缘检测的基础上,通过改变结构元素的形状和尺度,在很好抑制噪声的前提下,实现图像精细边缘提取。MATLAB仿真结果表明,该边缘检测算子具有更强的去噪能力,定位准确,保留了更多的图像细节,优于传统的边缘检测算子。     

基于组合式形态学算子的多尺度边缘检测

针对传统的边缘检测方法因卷积运算造成模糊图像边缘,且对噪声敏感,各种形态学边缘检测方法因检测到的边缘信息类型不同而容易使边缘信息丢失,提出一种组合式抗噪型形态学边缘检测算子;并利用不同尺度的结构元素具有不同的图像边缘检测效果,进行形态结构元素的尺度调整,得到不同尺度结构元素下的图像边缘位置;然后进行加权合成来获得边缘图像;实验表明,与其他的传统或者形态学边缘检测方法相比,该文方法不仅具有更好的噪声抑制功能,而且其检测到的边缘轮廓更加清晰完整,边缘细节更加丰富。     

基于多结构元多尺度的形态学边缘检测

在形态学梯度边缘检测算子的基础上,针对图像中的几何特征和噪声提出了一种基于多结构元、多尺度的边缘检测方法,用不同取向的结构元素对图像进行多尺度检测,并综合各尺度下的边缘.得到了噪声存在下的理想边缘.实验表明,文中的方法边缘定位准确、轮廓清晰,保留了更多的图像细节,具有较强的抗噪能力.     

基于多结构元多尺度的形态学边缘检测

在形态学梯度边缘检测算子的基础上,针对图像中的几何特征和噪声提出了一种基于多结构元、多尺度的边缘检测方法,用不同取向的结构元素对图像进行多尺度检测,并综合各尺度下的边缘,得到了噪声存在下的理想边缘。实验表明,文中的方法边缘定位准确、轮廓清晰,保留了更多的图像细节,具有较强的抗噪能力。     

多结构元素彩色图像形态学边缘检测

基于数学形态学的图像边缘检测算法中,结构元素起着非常关键的作用。设计五种不同的结构元素,在文献[2]的研究基础上,提出一种改进的多结构元素彩色图像边缘检测算法,比原文献算法速度快,运行时间少。实验仿真结果表明,该算法提取的彩色图像边缘清晰,算法自身具有一定的抗噪声能力。     

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。     

基于多尺度数学形态学的边缘检测

提出了一种基于多尺度数学形态学的图像边缘检测方法,利用数学形态学在描述灰度图像方面的优势,分析了在不同尺度下边缘提取的特点,采用非极大值运算方法提取边缘点,并与其他形态学边缘检测法进行了比较,给出了在含噪条件下边缘提取的实验结果。     

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。     

基于形态学多结构元多尺度的自适应边缘检测

数学形态学广泛应用于图像处理和模式识别领域;针对形态学单结构元在边缘检测中边缘信息丢失的问题,提出了用不同方向的结构元素对图像进行多尺度检测的自适应边缘检测方法;首先利用形态学高低帽运算对原始图像进行平滑处理,采用差分最大值确定结构元素的方向,利用形态学运算调整结构元素尺度,改进了数学形态学边缘检测算法;实验结果表明,与传统边缘检测算法相比,该算法在保持图像边缘清晰的同时.有很强的去除噪声能力.     

采用多结构元素模板的形态学边缘检测新算法

边缘检测是图像处理和计算机视觉中的基本问题。为了能有效地捕获目标的主要特征,提出了一种基于Ostu阈值分割和数学形态学的灰度图像边缘检测新算法。利用Ostu算法找到一个最佳的阈值,根据这个阈值把灰度图像二值化,构造四个不同方向的3×3或5×5的结构元素模板,采用数学形态学中的腐蚀算法利用元素模板来腐蚀二值图像。自适应地均衡腐蚀结果,检测出图像边缘。仿真和分析表明同传统边缘检测算法相比新算法运算量小,检测的边缘轮廓清晰,连续性好,可以很好地提取图像中富含的边缘信息,且抗噪声性能较好,假边较少,适用性强。     

基于多尺度形态学梯度的医学图像边缘检测

边缘检测是数字图像处理的一个重要内容,经典的边缘检测算子算法主要采用Prewitt算子、LOG算子、Canny算子等在空域中进行.数学形态学利用结构元素去探测图像,在讨论形态腐蚀和形态膨胀的基础上,提出了一种基于多尺度形态学梯度的医学图像边缘检测算法.单尺度形态学基元随着尺度的增大形成新的更大尺寸的结构元素,从而检测不同的边缘信息,最终重建较理想的图像边缘.仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法,检测精度较经典的单一梯度算子检测方法亦有一定的改善.     

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。     

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。     

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。     

多方位结构元素路面裂缝图像边缘检测算法

在数学形态学基础上,针对路面图像中噪声和裂缝类病害不同的像素分布特点,提出了多方位结构元素形态学边缘检测算法。该算法利用类间最大距离法确定路面裂缝图像中发生梯度变化的点,后对其采用多方位结构元素腐蚀操作,提取出路面裂缝边缘像素点并滤除噪声。实验结果表明：较传统的边缘检测算法,该算法在准确地检测路面裂缝边缘的同时有效地抑制了噪声干扰,检测效果良好,运算速度快。     

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。     

证据加权融合的多尺度形态学细胞边缘检测

提出了一种改进的多尺度形态边缘检测算法。用不同尺度的结构元素分别检测出图像的不同尺寸的边缘信息,然后采用证据加权的融合方法对不同尺寸的边缘图像进行融合。通过对病理显微图像的实验,在噪声存在的条件下得到较为理想的图像边缘。与其他边缘检测算法进行比较,结果表明该算法在有效地消除噪声的同时,能够取得较好的边缘检测效果。