基于非下采样Contourlet变换的图像边缘检测

以非下采样Contourlet变换为基础,充分利用了该变换的尺度相关性以及各个尺度方向子带系数的方向性,提出了一种新的图像边缘检测的方法。通过实验,验证了新方法可以更好地把握图像的曲线或直线状边缘特征,与基于小波模的极大值边缘检测方法相比,效果更好。     

基于非下采样Contourlet的图像融合

本文提出了一种基于非下采样Contourlet变换的图像融合方法。与Contourlet变换相比,非下采样Contourlet变换不仅具有多尺度、多方向特性,同时还具备平移不变性。文中针对非下采样Contourlet变换的特点和人眼的视觉特性,在较粗尺度采用对比度融合规则,较细尺度采用局部方差最大化规则,低频采用平均规则。该方法不但继承了Contourlet变换对方向信息融合的优点,同时又有效地去除了Contourlet变换中出现的吉布斯现象。仿真实验表明,本文方法优于Contourlet变换以及现有的小波,非下采样小波等方法。     

基于非下采样Contourlet变换多聚焦图像融合

针对同一场景多聚焦图像的融合问题,本文提出了一种基于非下采样Contourlet变换(NSCT)多聚焦图像融合算法。首先,采用NSCT对源图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数;其后,针对低频子带系数的选择,提出了一种基于方向向量模和加权平均相结合的融合规则;然后,针对带通方向子带系数的选择,提出了一种基于改进的方向对比度和局部区域能量相结合的融合规则;最后,经NSCT逆变换得到融合图像。实验结果表明,该算法能够有效地保留源图像的有用信息,避免噪声、虚影等效应,是一种有效可行的图像融合算法。     

非下采样Contourlet变换的图像融合及评价*

分析和研究了非下采样Contourlet图像表示方法及其在图像变换中的优点,提出一种基于非下采样Contourlet变换的图像融合方法。首先将待融合源图像分解成不同尺度、多方向的频带;然后采取不同的融合方法对分解的高低频分量进行融合处理,低频系数采取局部能量优先的加权法融合,高频系数则采取局部梯度优先的加权法融合;最后将融合的各频带进行逆非下采样Contourlet变换得到融合图像。实验表明,在几种不同的客观评价标准下,该方法优于传统的小波域中的融合效果,能有效消除小波变换带来的光谱扭曲和假边缘现象。     

基于非下采样Contourlet的多传感器图像自适应融合

提出了一种基于非下采样Contourlet变换的多传感器图像自适应融合方法,采用黄金分割法搜索最优的低频融合权值.自适应地对多传感器图像的低频子带系数进行融合.非下采样Contourlet变换是一种新的图像多尺度、多方向的表示方法,适合表达具有丰富细节信息及方向信息的图像,且该变换具有平移不变性,可以避免一般方法对融合图像引入的振铃效应,它的高频方向子带捕获了多传感器图像的显著特征,文中采用同一尺度下方向子带信息和取大的规则对高频系数进行融合.实验结果表明,与基于拉普拉斯塔、小波、平稳小波和Contourlet变换的方法比较,文中所提出的方法可以获得较好的融合效果.     

基于非下采样Contourlet变换和区域特征的医学图像融合

针对非下采样Contourlet变换具有多尺度分析及平移不变的性质,结合计算机断层成像(CT)和核磁共振(MRI)医学图像各自的成像特性,提出了基于非下采样Contourlet变换和区域特征策略来对低频、高频子带进行融合的医学图像融合方法;介绍了图像融合的评价标准,阐述了非下采样Contourlet变换的原理及实现;从视觉效果和客观数据指标方面对融合图像进行主观评判和数值评价。下颌骨系统CT和MRI图像的融合实验结果表明,该方法相对于小波变换和Contourlet变换方法,可有效综合这两种断层图像的有效信息和细节信息,融合后图像具有更优的视觉质量和量化指标。     

基于区域分割和非下采样Contourlet变换的多聚焦图像融合算法

针对基于神经网络分割算法计算复杂、运算量大等问题,提出一种根据单焦距图像聚焦区域和失焦区域局部相对清晰度的不同进行区域分割的多聚焦图像融合算法。该算法有效结合了非下采样Contourlet变换(NSCT)在图像分解中的多尺度、方向性、各向异性和平移不变性等特点,利用各方向高频分量的聚类来对低频分量进行分割、融合。实验表明该算法是一种有效的多聚焦图像融合方法。     

非下采样Contourlet变换的彩色图像融合

为了提高图像融合的效果,以多聚焦的彩色图像为研究对象,提出了一种基于非下采样Contourlet变换的多聚焦彩色图像融合算法。对IHS模型的亮度分量I进行NSCT分解,根据多聚焦图像的成像特点和分解后的高低频系数相关性,对分解后的低频系数采用"区域能量取大"和高频系数采用"绝对值和取大"的融合准则进行融合,再进行非下采样Contourlet逆变换,得到融合后的亮度分量,并由此计算融合后的色调分量和饱和度分量,实现彩色图像的融合。实验结果表明,该方法的融合效果优于小波变换的融合结果,针对IHS模型的融合结果也明显优于RGB模型的融合结果。     

基于非下采样Contourlet变换的医学图像融合方法

针对传统多尺度变换的医学图像融合问题,提出一种基于非下采样Contourlet变换的医学图像融合新方法。在低频子带系数的选取上,根据医学图像的特点,考虑到相部低频子带系数之间存在的相关性,采用基于区域能量的融合规则;在选择带通方向子带系数时,充分利用非下采样Contourlet变换的方向特性,采用改进拉普拉斯能量和作为带通方向子带系数的融合规则。实验结果表明,与传统融合方法相比,该方法避免了图像失真,达到了良好的图像融合效果。     

基于非下采样Contourlet变换的指纹图像超分辨率重建

非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)采用非抽样金字塔结构和非抽样方向滤波器组构成,具有Contourlet变换所不具备的平移不变性、较高冗余度等优良特性,而且能够克服伪吉布斯现象。图像经过非下采样Contourlet变换后分解成多尺度、多方向的细节信息,这些细节信息代表了图像不同频带不同方向的特征,这就简化了系数之间的关系。基于学习的超分辨率重建算法具有整体的预测性,将非下采样Contourlet变换和基于学习的算法相结合,在一定程度上提高训练精度。针对指纹图像的实验证明该算法具有良好的性能,重建的图像纹理性细节信息较好,基本保持了原指纹图像的特征点,更接近于原始的高分辨率图像。     

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。     

基于灰度形态学的红细胞图像边缘检测

边缘包含了图像很多重要的信息,边缘检测的好坏也直接决定了后续处理的效果。在利用数学形态学进行边缘检测后,会出现不需要的边缘,形成噪声。针对这种情况,提出一种计算中心像素与邻域像素均方差的方法对形态学边缘检测算子进行改进,该方法可以有效减少噪声,为以后对红细胞图像进行特征提取和分类打下良好的基础。     

基于柔性形态学的梯度边缘检测算法

在深入研究柔性数学形态学边缘检测算法的基础上,提出比传统柔性形态学膨胀和腐蚀算子具有更强鲁棒性的柔性形态学膨胀和腐蚀算子,在此基础上提出柔性形态学梯度边缘检测算法,实验证明了该算法对噪声特别是脉冲噪声有很强的抑制作用,并能很好地检测出图像的边缘信息。     

基于数学形态学的自适应边缘检测新算法

考虑到在形态学中,不同形状的结构元素和不同尺度的元素在去噪声和保持图像细节方面的作用是不同的,提出了一种基于多结构多尺度自适应形态边缘检测算法。对一般边缘检测算子做了改进,增加了边缘细节信息。通过计算检测后的边缘信息熵,自适应确定权值系数。将多结构元素检测的边缘和多尺度元素检测的边缘做融合处理,得到最终的图像边缘。实验结果表明,与几种经典边缘检测算法相比,所提出的算法能有效地抑制图像的多种噪声对边缘检测的影响,较好地保持图像边缘细节,自适应提取完整连续边缘。     

CB形态学的边缘检测算法研究

数学形态学是一种非线性滤波方法,应用数学形态学进行非线性图像处理已经发展成为图像处理的一个主要研究领域。基于CB（Contour-Based）形态学的方法,提出了一种改进的形态学边缘检测算子,能够有效地检测出图像边缘,并保持边缘的平滑性。实验结果表明,与传统的边缘检测算子相比较,该算法抗噪性能良好,计算量较小,因此具有一定的实用性和可行性。     

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。     

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。     

基于改进Canny算子与图像形态学融合的边缘检测方法

传统Canny算法采用高斯滤波会造成图像的过度光滑,容易导致缓变边缘的丢失,而且梯度幅值的计算方法没有充分考虑到3x3邻域内周围像素对中心像素的影响.针对上述存在的问题与不足,结合小波融合技术的优势,提出了一种基于改进Canny算子与图像形态学融合的边缘检测方法,利用改进的Canny算子和图像形态学分别对图像进行边缘检测,然后应用小波融合技术把两种方法检测出来的边缘进行图像融合,得到最终的图像边缘.仿真结果表明,该算法具有较好的抗噪能力,有效地提高了边缘检测的准确性和完整性.     

An integrated edge detection method using mathematical morphology

This paper presents an edge detection method based on mathematical morphology. The proposed scheme consists of four steps: preprocessing, edge extraction, edge decision, and postprocessing. In the preprocessing step, a morphological central transformation is applied to remove noise. In the edge extraction and decision steps, a morphological edge extractor is designed to estimate the edge information of an image, and an edge decision criterion is followed to determine whether a pixel is an edge or not. In the postprocessing step, the morphological hit-or-miss transformation is utilized to improve the correctness of the detected edges. It is proved theoretically for the correctness and effectiveness for detecting ideal edges. Experimental results show that the proposed method works well on both artificial and real images. The text was submitted by the authors in English. Chin-Pan Huang was born in 1959 in Taiwan, Republic of China. He received the B.S. and M.S. degrees in electrical engineering from Chung Cheng Institute of Technology, Taiwan, in 1981 and in 1985, respectively. In 1996, he received the Ph.D. degree in electrical engineering from the University of Pittsburgh in the United States. From 1996 to 2002, he was an associate scientist of the Electronic System Division in Chung Shan Institute of Science and Technology. He then joined the Department of Computer and Communication Engineering at Ming Chuan University in August 2002 and is currently an assistant professor there. His recent research interests include data compression, computer vision, digital image processing, and pattern recognition. Ran-Zan Wang was born in 1972 in Fukien, Republic of China. He received his B.S. degree in computer engineering and science in 1994 and M.S. degree in electrical engineering and computer science in 1996, both from Yuan-Ze University. In 2001, he received his Ph.D. degree in computer and information science from National Chiao Tung University. In 2001–2002, he was an assistant professor at the Department of Computer Engineering at the Van Nung Institute of Technology. He joined the Department of Computer and Communication Engineering at Ming Chuan University in August 2002 and is currently an assistant professor there. His recent research interests include data hiding and digital watermarking, image processing, and pattern recognition. Dr. Wang is a member of the Phi Tau Phi Scholastic Honor Society.