基于变尺度形态学的遥感图像边缘检测算法

针对遥感图像的噪声问题,在数学形态学的基础上提出了一种利用结构元素尺度变换的边缘检测算法。首先利用腐蚀运算对图像降低噪声,然后利用膨胀运算填补腐蚀产生的空穴,在这个过程中采用不同尺度的结构元素,最后通过检测算子得到图像的边缘图。实验结果表明,与传统的边缘检测算法相比,该算法不仅具有较强的边缘提取能力,而且通过合理选择结构元素的尺度能明显降低噪声对检测结果的影响,准确检测出大多数遥感图像的边缘。     

一种基于自适应形态学中椭圆结构元素的遥感图像水体分割方法（英文）

利用可见光和红外遥感图像统计水体区域面积是掌握水资源基本情况的有效手段,而水体分割是统计的前提。通常遥感图像中水体区域的边缘特征较为复杂,在利用传统形态学图像分割方法时,通常采用固定结构元素对图像进行形态学运算,导致图像边缘属性易发生改变,进而影响图像分割准确率。为了准确分割遥感图像中的地表水体,提出了一种利用形态学自适应椭圆结构元素的遥感图像水体分割方法。首先利用线性结构张量估计图像特征值和特征向量,根据该特征属性构造可自适应变化的椭圆结构元素;然后定义相应的自适应形态学基本运算,进而组合衍生出相应的闭运算,消除暗细节噪声对水体的影响且不会对水体边缘过度拉伸,因而能够更准确的保持水体边缘;最后在此基础上,运用灰度切片分割出水体区域。实验结果表明,所提出的方法具有较高的分割准确率,平均分割误差小于1.43%。     

基于形态学的边缘检测研究

针对传统形态学边缘检测算子的局限性及适用范围,提出一种新的基于数学形态学的边缘检测方法,该方法在传统的形态学边缘检测算子上加以改进,是一种多尺度多结构元素相结合的形态学边缘检测方法.通过对实验图像的分析表明,在有效取得图像边缘的同时,对椒盐噪声和高斯噪声都有很好的抑制作用,是一种较好的改进算法,具有一定的实用性.     

一种抑制声呐图像散斑噪声的形态学滤波器

声呐图像散斑噪声抑制是声呐图像处理领域重要的难题。设计一种抑制声呐图像散斑噪声的形态学滤波器。该滤波器中,对于每一个尺度,利用不同方向的2种结构元素分别对声呐图像进行闭开、开闭运算,将运算结果以图像熵比值作为融合准则进行图像融合得到该尺度下的一级滤波图像;利用该尺度下另外2种不同方向的结构元素分别对一级滤波图像进行闭开、开闭运算,将运算结果以图像熵比值作为融合准则进行图像融合得到该尺度下的二级滤波图像。然后,将不同尺度下的二级滤波图像以图像熵比值作为融合准则进行图像融合得到最后的滤波图像。实验结果表明,与中值滤波、Lee滤波、Kuan滤波、Frost滤波等比较,设计的滤波器有更好的抑制声呐图像散斑噪声能力,而且不降低图像边缘保持能力。     

基于小波变换和数学形态学的边缘检测法

提出一种基于小波变换和数学形态学的边缘检测算法.对于遥感图像的边缘检测,利用小波变换的特点,先对遥感图像进行分解,获取高频分量的详细细节.然后通过对遥感图像特点的研究,文中提出一种适于遥感图像的L形结构元素.利用小尺寸结构元素对边缘细节的检测能力,从而得到相对较好的图像特征和细节.     

基于二进小波和抗噪形态学的烟雾边缘检测算法

针对枪口烟雾图像的不规则性以及烟雾扩散速度快等特点,传统的边缘检测算法无法高效地提取烟雾边缘轮廓的问题,对烟雾图像采集技术、烟雾图像预处理技术以及烟雾图像边缘检测技术进行了研究,提出了一种改进的二进小波和抗噪形态学融合的边缘检测算法.首先,在 B 样条二进小波基础上,将二进小波消失矩的阶数提高到四阶;其次,选取方向不同的结构元素,得出改进的形态学算子;最后,用小波逆变换重新构造枪口烟雾图像,对其进行锐化处理,输出边缘信息.仿真结果表明,该算法检测出来的枪口烟雾图像边缘定位准确且清晰完整,能有效抑制噪声,在客观方面优于传统的边缘检测算法.     

基于数学形态学的图像边缘提取方法

为了解决传统边缘提取算法边缘定位不精确、抗噪能力差的问题,提出了一种基于数学形态学的边缘提取算法。该算法首先利用了双尺度双结构的数学形态学对目标图像进行滤波降噪处理,以提高目标图像的信噪比,然后利用多尺度多结构的数学形态学对目标图像进行边缘提取。利用该算法在配置了OpenCV的Visual Studio对Lena图像进行仿真处理,并将其处理结果与Canny算法处理结果进行对比。实验结果表明,该算法抗噪性能优异,对含有噪声的图像边缘的提取清晰且流畅、细节丰富。     

融合Canny算子和形态学的 齿轮图像边缘检测研究

针对含噪齿轮图像边缘检测中存在的难以有效抑制噪声和准确检测出更多真实边缘等问题,将改进的Canny算子和数学形态学算法应用到含噪齿轮图像边缘检测中,提出了一种融合Canny算子和数学形态学的含噪图像边缘检测算法。首先利用了改进的Canny算子边缘检测,接着运用了多尺度多结构数学形态学边缘检测;然后对两幅边缘图像进行了小波分解,得到各层子图像;最后分别对子图像采用了自适应加权融合,并使用小波逆变换重构图像得到了最终的边缘检测图像。实验及研究结果表明:融合算法比单独使用改进的Canny算子、数学形态学去噪效果好、定位精度高、边缘连续清晰,并且当噪声浓度升高时依然具有良好的去噪效果,是一种可行的无监督融合算法。     

一种图像边缘特征提取算法

边缘作为一个重要特征是图像目标检测中基础而又困难的一个问题.用常规方法进行边缘检测时,噪声会影响到边缘特征提取的准确性.为了减小噪声对图像边缘特征的影响,改善边缘特征的定位精度,本文提出了一种新的图像边缘特征提取算法.该方法利用小波变换天生的多尺度特性,对小波变换各尺度下的细节图像用互能量交叉的方法进行噪声抑制和边缘识别.最后作了实例验证.     

基于形态学的MRI图像自适应边缘检测算法

为了在噪声环境下尽量多地检测出MRI(magnetic resonance imaging)图像的边缘细节,以满足医学临床诊断的特殊需求,提出一种基于形态学的医学图像自适应边缘检测算法.根据医学磁共振图像噪声的特点构造了一种基于形态学滤波特性的边缘算子,使用多方向结构元素实现了边缘的精确检测,并根据图像的灰度特征自适应地调整各方向结构元素检测结果的权值,最后合理地调整结构元素的尺寸大小.仿真实验结果表明,与经典微分边缘算子及常用形态学算法相比,该算法不仅具有很强的抗噪性能,而且能更有效地提取图像中不同方向的边缘信息.     

基于最小生成树的显著性自适应形态学结构元素构造方法

经典数学形态学运算采用固定大小和形状的结构元素处理整幅图像,由于图像内容的多样性以及目标结构的复杂性,容易导致处理后的图像形状发生改变且丢失部分信息.为此,提出了一种基于最小生成树(Minimum spanning tree,MST)的显著性自适应形态学结构元素构造方法.首先,计算图像梯度,通过非极大值抑制(Non-maximum suppression,NMS)得到边缘图像,对边缘图像进行倒角距离变换,得到显著性图(Salience map,SM).然后,通过计算SM的极大极小值确定结构元素半径,并在SM上计算MST.最后,利用计算得到的半径构造出一种形状和大小随输入图像局部特征自适应变化的结构元素.利用该自适应结构元素对腐蚀、膨胀、开和闭等基本形态学算子进行了重新定义,并且与经典形态学算子做了仿真对比.结果表明,该方法能够充分利用图像的局部特征,在图像结构保持以及图像滤波等方面都具有较好的处理结果.     

基于最小生成树的显著性自适应形态学结构元素构造方法

经典数学形态学运算采用固定大小和形状的结构元素处理整幅图像,由于图像内容的多样性以及目标结构的复杂性,容易导致处理后的图像形状发生改变且丢失部分信息.为此,提出了一种基于最小生成树(Minimum spanning tree,MST)的显著性自适应形态学结构元素构造方法.首先,计算图像梯度,通过非极大值抑制(Non-maximum suppression,NMS)得到边缘图像,对边缘图像进行倒角距离变换,得到显著性图(Salience map,SM).然后,通过计算SM的极大极小值确定结构元素半径,并在SM上计算MST.最后,利用计算得到的半径构造出一种形状和大小随输入图像局部特征自适应变化的结构元素.利用该自适应结构元素对腐蚀、膨胀、开和闭等基本形态学算子进行了重新定义,并且与经典形态学算子做了仿真对比.结果表明,该方法能够充分利用图像的局部特征,在图像结构保持以及图像滤波等方面都具有较好的处理结果.     

基于导向滤波Retinex和自适应Canny的图像边缘检测

机器视觉识别常用金属制品边缘时,表面亮度不均易导致边缘误识别,且传统的边缘检测算法去噪的同时也抑制了大量边缘信息,降低了边缘检测质量.本文提出一种基于导向滤波Retinex和自适应Canny的图像边缘检测算法.该算法采用基于导向滤波的Retinex法得到金属制品图像的反射分量,通过加权分布的自适应伽马校正提升反射分量图...     

基于图像融合的年轮细胞边缘检测算法研究

提出一种基于图像融合的边缘检测算法。首先对源图像进行小波分解,在不同分解层用小波模极大值法对高频子图像进行边缘检测,用数学形态学对低频子图像进行边缘检测,然后采用一定的融合规则将这两个边缘检测图像融合在一起。实践结果表明,这种方法优于单独使用小波模极大值法或数学形态学法,对噪声具有很好的鲁棒性,得到的图像边缘连续、清晰。     

基于小波变换和形态学的图像边缘检测方法

提出了一种基于小波变换和形态学的图像边缘检测方法。对源图像进行小波分解,用数学形态学法对低频子图像进行边缘检测,用小波变换法提取高频图像的边缘,采用一定的融合规则将两个边缘图像融合在一起得到一幅完好的边缘图像。这种边缘检测方法结合了小波变换法和数学形态学法的优点,对用这两种方法得到的边缘信息进行融合,有效地抑制了噪声,且边缘连续、清晰。实验结果表明,提出的这种结合方法优于单独使用数学形态学法或小波变换法。     

结合多尺度边缘增强及自适应谷底检测的浮选气泡图像分割

针对浮选气泡图像噪声大、边界弱、传统谷底检测算法对不同类型气泡分割不具普遍性等问题,提出了一种结合Contourlet多尺度边缘增强及自适应谷底边界检测的气泡分割方法。该方法通过对气泡图像进行Contourlet分解,得到多尺度多方向高频子带;通过对各方向子带的高频系数进行非线性增益处理,实现边缘增强和噪声抑制。对和声搜索算法的"调音"策略和参数设定方法进行了改进,对不同类型气泡图像自适应地获取谷底边界检测算法的最优参数,提取谷底并进行形态学的边缘完善处理。最后进行了分割实验,并与其它方法做了比较。结果表明,采用该方法对不同类型气泡进行分割时,平均检测效率(DER)和准确率(ACR)分别为91.2%和90.6%,较传统分割方法有较大提高。该方法无需手工调节参数,自适应能力强,精度高。     

遥感图像条带噪声的多尺度变分模型去除

多片CCD拼接遥感成像系统由于存在非均匀性问题,导致遥感图像中常存在条带噪声,本文在分析条带噪声的主要来源和模型的基础上,提出了多尺度变分模型的条带噪声去除方法。首先,分析了条带噪声的特点并建立了图像退化模型。其次,结合条带噪声的单向性特点与多尺度分层分解方法构造能量泛函。然后,利用不动点Gauss-Seidel迭代法多尺度分级极小化能量泛函,将条带噪声和图像有用信息分离。最后,对各尺度结构分量和细节分量进行累加,得到去噪图像。实验结果表明:对于周期条带噪声,图像畸变量为2‰,图像辐射质量提升到11.715dB;对于随机条带噪声,图像畸变量为3.3‰,图像辐射质量提升到11.092 5dB。与典型条带噪声去除方法相比,不管是周期条带噪声还是随机条带噪声,本文方法均能够在保证畸变量很小的情况下,将其完全去除,满足遥感图像低畸变量的预处理要求。     

基于形态学的木材缺陷检测

介绍了数学形态学灰度形态滤波方法,形态学多结构元素梯度边缘检测算法,给出对木材缺陷图像进行数学形态学运算处理后的图像实例.根据木材内部缺陷的特点,分析了结构元素的选取,提出了一种将数学形态学的灰度形态滤波和形态学双结构元素边缘检测有机结合的方法,对木材缺陷进行边缘检测.实验表明,该方法不仅提高木材内部缺陷检测的可靠性,...     

基于多尺度融合技术的图像边缘检测

根据边缘检测离散准则,利用数值方法求出该准则下边缘检测的最优线性滤波器及对应的平滑算子,设计平滑滤波窗算子,将其与嵌入可信度方法相结合进行边缘检测;同时充分利用边缘信息的多尺度特性,根据小尺度下图像边缘细节信息丰富、边缘定位精度高,大尺度下图像边缘稳定、抗噪性好等特点,将检测到的多尺度边缘进行融合,得到精确的单像素宽边缘。实验结果表明,该方法不仅能准确检测出边缘图像,而且能有效地抑制噪声,是边缘检测的一种较好的实用方法。