一种新的小波变换边缘检测方法

提供了一种新的小波变换边缘检测方法,这种方法解决了第一代多尺度边缘检测方法中存在的两个问题即边缘仅定义为信号的奇异性表现;滤波尺度参数难以选择。它直接从人的视觉特征出发,描述边缘的特征,并定义象素点在邻域内的有效边缘测度,作为对该象素点进行滤波的尺度调整依据,以解决多尺度边缘检测中的尺度确定,从而实现边缘检测。实验和对比结果都证明,这种方法效果很好。     

一种基于子波变换的图象尺度边缘提取方法

图象多尺度边缘是图象的重要特征，已广泛应用于处理和计算机视觉等多个领域。本文给出一种基于子小我的图象多尺度边缘提取方法。实验证明该算法是行之有效的。     

一种新的基于小波变换的边缘检测算法

应用小波变换理论对图像进行平滑降噪处理,对降噪图像进行多级小波分解,从而获取多分辨率图像。对小波分解的各级小波系数求其局部模极大值,从而得到不同分辨率下的图像边缘,合并不同分辨率下的图像边缘得到一个组合边缘,细化图像边缘。实验证明。这种方法对有噪声污染的图像进行边缘检测效果好于LoG、Sobel、Canny等经典的边缘检测方法。     

一种基于小波的SAR图象边缘检测方法

边缘检测是遥感图象处理中很重要的一步。因ＳＡＰ图象通常带有较强的噪声,用传统的边缘检测方法效果不理想。本文采用小波方向检测技术并结合顺序统计滤波的方法,设计了一级方向可调滤波器,根据方向滤波和信息,对ＳＡＲ进行边缘检测。实验证明本算法计算有效,边缘定位准确,并对噪声有抑制作用,从而取得了良好的检测效果。     

一种新的基于小波变换的边缘检测方法

本文根据经典的基于小波变换的多尺度边缘检测方法,提出了关于一维信号和二维信号的基于相邻尺度上小波变换乘积的边缘检测方法,该方法可以有效地增强边缘和抑制噪声,对一维和二维信号的计算机仿真实验表明该方法是正确的和有效的。     

基于多尺度边缘增强的遥感图象融合

边缘是图象(尤其是遥感图象)的一种重要特征.如果能够在将遥感图象进行融合的同时,增强融合图象的主体边缘特征,这显然对融合图象的进一步分析和应用具有重要的意义.因此,本文根据小波多尺度边缘检测的特性,结合小波变换融合的原理,提出了一种基于多尺度边缘增强的遥感图象融合.实验结果表明,该方法确实能够显著增强主要地物的边缘特征,为图象分割、特征提取和地物识别等应用奠定了基础.     

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。     

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渡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。     

基于多尺度屋顶边缘检测的指纹图象分割方法

针对指纹图象的细节识别问题,提出了一种新的分割指纹图象中脊和谷的方法。该方法是上述脊和谷看成是屋顶边缘,脊和谷的两个边界看成是阶跃边缘,并利用基于B样条小波的多尺度屋顶边缘检测方法来实现脊和谷的分割;同时详细讨论了精确确定屋顶状目标所需的尺度范围,并给出了检测目标的具体方法。实验证明,该方法用于不同质量的指纹图象的检测都取得了令人满意的效果,需要指出的是,该方法也同样适用于其它类似屋顶状目标的检测。     

一种基于边缘生长的灰度和彩色图象分割方法

边缘检测可以快速准确地提供区域分割的边缘点,是图象处理的一个重要领域。但由于边缘点不连续和难以把存在大量碎边缘点的高细节区提取出来这两个原因,而不能直接实现完整意义上的图象分割。为此提出用边缘生长的方法来解决不连续的边缘点链接问题和通过找出高细节区周围的区域,以便间接地将高细节区围成一个区域。该算法是边缘检测的后续处理,适合于多种应用目的,同时还可以嵌入到其它利用边缘信息的分割算法中。     

一种新的彩色有噪图像边缘检测方法

针对在RGB空间中很难有效区分颜色相似性问题,提出一种在HSI空间基于广义形态滤波的彩色有噪图像边缘检测方法。首先将图像转换到HSI色彩空间,然后对H、S、I三个分量分别计算熵,并利用判决机制选择熵值最大的分量进行广义形态滤波,最后对滤波结果采用形态学梯度算子检测边缘。将该方法与基于传统形态滤波的边缘检测方法进行了比较,实验结果表明,本文提出的方法在抑制噪声的同时能较好地保持边缘和细节,并且大大提高处理速度。     

一种新的图像边缘检测方法

图像边缘检测的传统方法一般仅基于边缘邻域的一阶或二阶导数,为了克服特征单一的缺陷,提出了一系列多特征的边缘检测算法,这类方法往往采用标准FCM聚类算法来达到边缘检测的目的,但是标准FCM聚类算法在类间数据量相差较大时容易产生错分,因此对图像中边缘点少而非边缘点多的特征数据库进行聚类分析,会产生一定的偏差,使图像的检测质量下降.对此该文提出了一种新的图像边缘检测算法,利用加权FCM算法代替标准FCM对特征矢量数据集进行分类,克服了上述问题,取得了较好的边缘检测效果.仿真实验也证明了新算法的有效性.     

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.     

基于彩色边缘网格直方图的图像检索方法

边缘是图像局部变化最显著的部分,也是人类理解图像内容的重要线索.本文提出了一种基于彩色边缘特征的图像检索方法,该方法首先利用Canny检测算子提取出原始图像的彩色边缘信息,然后将彩色边缘划分成圆环区域和角形区域,并分别计算出圆环区域和角形区域的颜色直方图;最后综合利用上述圆环区域和角形区域的颜色直方图计算图像间内容的相似度,并进行彩色图像检索.仿真实验表明,该方法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率.     

一种离焦模糊图像边缘检测新方法

根据离焦模糊图像的特性,提出一种新的离焦模糊图像边缘检测算法,该算法通过定义一个新的边缘检测算子,利用新算子对图像各像素进行卷积,求得各像素的梯度和方向信息,根据梯度和方向信息进行阈值化处理,得到离焦模糊图像的边缘检测图像。实验结果表明,对于离焦模糊图像,利用新的边缘检测算子进行边缘检测,能够较好地检测被模糊而弱化的边缘,检测效果符合人眼视觉感受。     

一种用于套色检测的图像分割新方法

提出一种基于HSI模型直方图以及颜色聚类的套色标记彩色分割方法.该方法将拍摄的RGB彩色图像转换到HSI颜色空间,并以H分量为主要依据,结合S与1分量进行粗分割,获取颜色初始聚类中心.然后对像素点进行颜色聚类,最后采用区域合并修复误分割的区域.实验表明,该方法能在较大范围内准确分割套色标记.     

一种新的遥感影像边缘检测方法

提出一种针对于遥感影像的边缘检测方法。该方法首先利用多个尺寸的邻域结构对图像进行平滑,然后根据图像灰度进行对象云化处理,构建对象云。通过云运算生成边界云并构建边缘模糊特征平面,在条件概率和模糊划分熵的基础上,通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法能保留大量低灰度信息,并有效地去除了次要边缘对主边缘的干扰。     

一种基于形态学的有噪彩色图像边缘检测方法

边缘检测技术是图像分割、图像增强、图像复原、模式识别、图像压缩等图像分析和处理的基础,也是图像处理领域研究的热点问题。本文提出基于HSI颜色空间形态学的有噪彩色图像边缘检测方法。在传统形态学梯度检测边缘的基础上进行改进,计算H、S、I三个分量的边缘信息,然后根据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,这种方法所检测的边缘符合视觉边缘,在抗噪声方面的效果比传统方法更佳,能够更完整地保留原彩色图像的轮廓,有更好的实用性和通用性。     

四元数与彩色图像边缘检测

本文将彩色图像像素的R、G、B分量作为彩色空间矢量的三个分量,利用矢量场通量以及四元数关于矢量旋转的相关知识,得到两种彩色图像边缘检测方法。基于矢量场通量最大的检测算法,较传统的利用Sobel算子的方法能更全面地提取图像的边缘细节,并且针对不同的图像具有很强的自适应效果;基于四元数的检测算法,利用四元数对矢量旋转的方便表示,提出一种全新的彩色边缘检测方法。实验结果表明,本文提出的两种方法针对彩色图像的边缘检测具有较好的效果,特别是四元数矢量旋转方法,能够提取很多传统的灰度化方法所不能提取的图像纹理细节。     

一种基于Tsallis熵的彩色图像边缘检测方法*

通过引入Tsallis熵,提出了一种新的彩色图像边缘检测方法.该方法首先将彩色图像从RGB空间转换到YCbCr空间,分别求出三个子空间中像素在3×3邻域内的最大边缘强度值;然后采用Tsallis熵求取每一个子空间的最佳边缘强度阈值对亮度子空间Y和颜色信息子空间Cb、Cr分别进行边缘提取,最后将三个子空间中获取的边缘点进行融合,从而完成整幅图像的边缘检测.实验结果表明,与采用Shannon熵的边缘检测方法相比,该方法具有更好的灵活性和可行性.