基于小波变换的反锐化掩模图像增强新算法

针对传统的基于小波变换的反锐化掩模图像增强算法中存在的问题,即对比度相同而幅角不同的边缘达到的增强效果之间差别较大,提出了一种新的基于小波变换的反锐化掩模图像增强算法。该算法在对原始图像进行小波分解的基础上,根据小波变换所提供的幅角,对小波系数进行自适应增强处理。实验结果表明,与传统算法相比,新算法使对比度相同而幅角不同的边缘达到的增强效果之间的差别明显减小。     

图像边缘细节增强方法及VC++实现

介绍了图像边缘细节增强技术,详细说明了边缘细节增强方法中的梯度算子、拉普拉斯算子和反锐化掩模的原理算法,并给出了Windows平台下以VisualC++6.0为开发工具实现及各种算法的处理结果。     

基于局部图像锐化的自适应模糊边缘检测算法

为了准确检测出模糊边缘的位置 ,对用小尺度滤波器检测模糊边缘时噪声影响检测效果的原因进行了分析 ,依据这些噪声点在模糊边缘附近的统计分布规律 ,提出了一种用于图像锐化的阈值计算方法 ,算法自适应地计算图像不同区域对应的图像锐化阈值 ,并用这个值来锐化模糊边缘图像 ,实现对模糊边缘的准确提取。实验结果证明该算法能有效去除模糊边界处的干扰点 ,明显改进了小尺度滤波器提取模糊边缘的性能     

一种新的掌纹图像预处理方法

掌纹图像预处理主要包括图像分割和图像增强。在分析现有掌纹图像预处理方法中存在的不足之后,提出了一种新的掌纹图像预处理方法。该方法以手掌外侧轮廓作为定位参考线,首先实现手掌定位;然后以手掌的最大内切圆圆心为掌纹图像坐标系的原点构建坐标系,并截取出该圆的内接正方形区域内的掌纹图像,以完成图像分割。另外,该方法将模糊理论引入到反锐化掩模系统框架中,并用方向可调滤波器替代传统反锐化掩模算法中的Lap lac ian滤波器来获取掌纹图像中的高频成分,以实现在线掌纹图像的增强。实验结果表明,该方法不仅在手指完全并拢的情况下,仍然能提取出掌纹中心子图,而且能有效增强掌纹图像中主线和皱纹线的对比度。     

基于并行运算的双层图像锐化方法

针对低清晰度照片或图像放大后边界模糊、画质差及人们对高清图像的实际需求,基于统一计算架构(CUDA)环境,提出了一个两层结构的图像并行锐化方法,设计并实现了一个基于GPU的并行锐化算法：第一层采用并行线性插值法,反复对图像非边界部分进行计算以及边缘区域锐化处理;第二层采用改进的梯度法对图像进一步优化。放大后的图像经该方法处理后,基本上可消除图像边缘区域的锯齿,使图像画质平滑、自然、清晰。经实验验证,设计的基于GPU的并行锐化算法在效率和画质上都优于目前流行的算法,提出的方法可应用于现有图像及照片放大后处理。     

图像增强技术的研究

如何有效地增强图像是图像分析中的一个难点,通常,图像的目标背景对比度低,噪声大.平滑处理后图像的边缘轮廓更加模糊不清.常用的拉普拉斯锐化方法在突出图像边缘的同时,也提升了平滑图像中的残留噪声.针对这种问题,提出了用直方图规定化方法增强平滑后的图像,该方法克服了拉普拉斯锐化的缺点,且明显地增强了图像的细节部分.理论分析和仿真结果均表明,该算法能够提高图像成分的清晰度,提供更准确、更满意的图像.     

基于HVS特性的图像边缘锐化方法

边缘锐化是提取图像中特定信息的基本手段。从分析边缘锐化常规算法以及图像的统计特征,讨论人类视觉系统（HVS）的特性的基础出发,提出了一种基于HVS特性的边缘锐化方法,进一步深入分析讨论了该算法的原理与推广使用。应用C＋＋编码实现算法,在分析实验图像结果的基础上,论证了该方法针对背景颜色较为单一的图像进行边缘锐化时的简单实用性。     

基于马尔科夫随机场的图像锐化方法

针对常规的反锐化掩膜方法对图像进行增强时会放大噪声的问题,提出一种基于马尔科夫随机场理论的图像锐化方法,将Thin Plate先验能量函数引入到反锐化掩膜方法中。实验结果表明,该方法在突出图像边缘细节的同时,可有效抑制噪声。主观视觉效果和客观评价结果表明,该方法的处理效果较好。     

基于中值滤波和梯度锐化的边缘检测

实现一种基于中值滤波和梯度锐化的边缘检测方法。首先采用既能过滤噪声又能保护边缘信息的中值滤波对图像进行平滑处理。然后采用梯度锐化加强边缘像素强度,通过简单的二值化获得图像的初始边缘,系统采用连通区域标记的方法去除位于图像封闭边界内的残留黑块。最后通过实验结果与人工提取的结果比较,进行误差分析,找出本文算法的不足之处,以便对该算法进行改进。实践证明,本文的边缘检测方法对含有噪声点且灰度分布比较均匀的图像有很好的效果。     

乳腺X射线数字影像中钙化点感兴趣区域提取方法

为乳腺X射线影像计算机辅助诊断做前期预处理,研究了乳腺图像处理中钙化点感兴趣区域提取的问题。在对乳腺X射线图像进行基本的背景分割后,首先运用改进的区域扩张法实现了对乳腺图像中乳腺区域的提取,然后对乳腺区域部分采用改进的反锐化掩模法进行图像增强,突出钙化点区域,再根据含钙化点的特征选取合适的阈值提取出可能含有钙化点的感兴趣区域（ROI）。试验表明,该方法可完成对乳腺影像的ROI提取处理,有助于提高乳腺疾病诊断的准确率。     

基于ICA的有噪图像特征提取研究

讨论了基于ICA的图像去噪方法,给出了基于ICA的图像边缘检测算法,该算法应用于高斯噪声图像,并与传统的边缘提取算法进行了比较.实验结果表明,该算法即使在高水平噪声图像中,也能够提取出比较清晰的图像边缘信息.     

基于改进Canny算子的煤矿井下物体图像边缘检测方法研究

针对传统的Canny 算子检测井下物体低强度边缘能力不足的问题,提出了一种改进的边缘检测算法。该算法从以下三个方面进行改进：（1）采用一种新的四阶偏微分方程的降噪算法对图像去噪,进一步提高降噪效果,且在降噪过程中较好地保留图像细节,使井下物体更容易被检测。（2）采用自适应阈值的方法对图像边缘进行检测,实现了双阈值的自适应提取,能够较好地提取真实边缘。特别是在低对比度图像的边缘提取上,此方法更具有优势。（3）基于模糊判决的理论,在传统的Canny算法的基础上提出了一种有效的边缘连接方法。为了验证Canny边缘检测算子的效果,分别用Prewitt 、Robert 、Sobel、传统的Canny算子对井下图像进行边缘检测实验,结果表明,该方法在最大程度抑制噪声的同时,能检测到更多的低强度边缘,为井下煤矿探测机器人图像辨识奠定了基础。     

一种印刷电路板缺陷图像边缘信息提取方法

为了较好地提取印刷电路板缺陷图像边缘信息,提出了基于二阶曲线拟合、模式聚类与阈值比较法相结合的印刷电路板缺陷图像边缘信息提取方法。首先分析了最小二乘法拟合的基本原理;然后在此基础上提出了采用二阶曲线拟合法来设定阈值进行拟合得到大致的图像边缘,并分析了其基本原理;最后在模式聚类基础上利用阈值比较法选择适当阈值截取拟合曲线得到图像边缘点、去除噪声边缘点,连接各个图像边缘点可得到缺陷图像的边缘信息。用由显微镜及CCD获取的4幅印刷电路板缺陷图像进行了实验;从实验主观效果看,用该方法提取出图像边缘信息的效果较好,图像边缘比较连续,噪声点极少;从实验客观效果评价看,用该方法所得到的图像边缘信息熵较大。实验结果表明,该方法结合了二阶曲线拟合、模式聚类与阈值比较法优点,可较好地提取出印刷电路板缺陷图像的边缘信息。     

基于遗传量子的自适应图像分割算法

虚拟娱乐照相领域的图像分割,目的在于实时地提取显示出背景中的感兴趣目标,但由于常用的分割方法容易丢失图像的边缘细节信息,而且运算时间长,难以实现质量与速度的平衡,为此文章提出了一种基于遗传量子进化算法的图像分割方法。该方法首先运用遗传量子方法进行阈值搜索,然后进行区域分割,再利用形态学方法对图像边缘细节进行补偿,并去除噪声。仿真结果表明,与传统方法比较,该方法能有效地提取图像中的人像,保留细节边缘。     

一种改进的滤波尺度自适应调整小波边缘提取方法

该文在分析边缘存在的可能性基础上,给出了一种小波尺度选取的划分策略,该方法既保留了图像的详细边缘信息,又保留了图像的轮廓。实验结果表明,该方法优于单尺度小波边缘提取方法。     

一种提取图象细节边缘的新方法

边缘是图象的基本特征，边缘信息是进行图象分析和识别的重要属性，但由于常用的边缘提取方法在提取边缘的同时，容易丢失图象的细节边缘信息，为此提出了一种基于灰度形态学和图象分解技术相结合的图象细节边缘提取方法，该方法首先运用灰度形态学方法检测出包含图象细节的边缘图象并去除部分背景和噪声，然后进行区域分解，再通过对不同的区域选取不同的阈值来保证边缘提取的完整性．仿真结果表明，与传统方法相比，该方法能有效地提取一般图象的细节边缘，甚至能提取被噪声污染图象的边缘．     

彩色漫画轮廓提取研究

结合漫画图像的用色特点,提出一种彩色漫画图像的轮廓提取方法。对彩色漫画图像根据其颜色信息进行区域的划分,并利用彩色形态学方法进行边缘检测,两者相结合消除噪声和提取出目标轮廓。实验结果表明该算法对彩色漫画轮廓提取效果明显,并能更好地抑制噪声。     

基于笔画相关加权的视频图像文字识别

为了提取影视视频图像中的字幕信息,提出一套鲁棒的方法：首先采用图像的边缘特征对字幕信息进行区域定位,并给出结合边缘信息的方法对图像文字进行二值化;其次,采用投影法和区域生成方法定位单个文字;最后,充分考虑到文字笔画的拓扑结构,进行相邻子网格笔画结构相关性的判定,并采用笔画模糊隶属度完成弹性网格特征的提取。该方法在复杂的背景图像中能够有效得到文字的二值图像,并保证了提取特征的稳定性、健壮性,对二值化后的影视字幕的识别率达到92.1%,实验结果表明了方法的有效性。     

基于语义信息的精细化边缘检测方法

边缘检测是在图像中准确地提取视觉上显著的边缘像素,以得到图像的边缘信息,然而传统基于全卷积网络的边缘检测方法通常存在预测边缘粗糙、模糊等问题。提出一种语义信息指导的精细化边缘检测方法。通过图像分割子网络将学习到的图像语义信息传递给边缘检测子网络,同时利用图像语义信息指导边缘检测子网络,其引入具有注意力机制与残差结构的特征融合模块,以生成精细的图像边缘,增强不同尺度的特征融合。在此基础上,结合图像分割任务和图像边缘检测任务中的代价函数定义新的模型代价函数并进行训练,进一步提高网络边缘检测质量。在BSDS500数据集上的实验结果验证了该方法的有效性,结果表明,该方法的固定轮廓阈值与图像最佳阈值分别达到0.818和0.841,相比HED、RCF等主流边缘检测方法,能够预测更精细的边缘图像,且鲁棒性更优。     

噪声图像边缘检测方法的研究*

对图像中常见的高斯噪声和椒盐噪声的特性进行了分析,对含有这两种噪声的数字图像的边缘检测方法进行了研究,尤其对基于顺序形态学的噪声图像边缘检测方法进行了深入的分析研究,基于顺序形态学理论提出了针对分别含有高斯噪声和椒盐噪声的图像边缘检测方法。通过仿真验证表明,对于含有以上两种噪声的图像,提出的方法不仅能够去除噪声而且能够提取出准确清晰的边缘。