基于NSST和改进数学形态学的遥感图像目标边缘提取

为了从遥感图像中提取出更为准确完整的目标边缘,提出一种基于无下采样Shearlet模极大值和改进数学形态学的目标边缘提取方法。首先采用无下采样Shearlet变换(NSST)将图像分解成边缘细节丰富的高频分量和边缘细节较少的低频分量;然后结合不同分解程度下边缘像素点处的系数关系,对高频分量的各个子带进行模极大值检测,再经过双层掩膜筛选后得到高频边缘提取结果;对低频分量采用改进的数学形态学方法,得到低频边缘提取结果;最后将上述两部分融合,使用区域连通方法去除孤立点,得到最终的目标边缘图像。大量实验结果表明,与Canny以及其他4种同类边缘提取方法相比,本文方法所得边缘定位准确、完整清晰、细节丰富,且抗噪能力强,为后续遥感图像目标特征提取与识别奠定更好基础。     

基于NSCT及改进Canny的图像边缘检测

为进一步提取丰富的图像边缘信息,提出了一种基于非下采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)及改进Canny的图像边缘检测方法。该方法是将图像进行NSCT多尺度分解,得到低频和高频子带。首先对低频子带使用改进Canny算子提取低频轮廓,再使用非线性函数对高频子带信息中各尺度各方向上的系数进行调整,实现边缘增强和噪声抑制,最后将NSCT域尺度内和尺度间的检测结果相融合来得到完整的边缘图像。实验结果表明,相比Sobel、Canny算子和现有的NSCT边缘检测方法,文中方法具有更好的边缘检测效果,边缘定位准确、完整、连续、细节丰富。     

改进的形态学和小波变换边缘检测算法研究

针对传统数学形态学边缘检测算法存在的图像噪声干扰、边缘分辨率较低等问题,提出了一种基于数学形态学与小波变换方法相结合的边缘检测改进算法。在小波域中,对图像分解的弱边缘进行适当的加强,对低频系数采用模极大值法进行边缘处理,对边缘细节比较多的高频系数采用基于多尺度的双结构元素数学形态学算法进行边缘检测,最终得到图像的完整边缘。实验结果表明与传统的小波变换边缘检测法以及数学形态学边缘检测等方法相比,此种算法更能有效提取准确的边缘信息,而且又具有很强的抗噪性,是一种有效的边缘检测方法。     

融合小波变换和形态学差分的图像边缘检测

图像边缘检测的关键是在尽量多检测到边缘的同时更有效地抑制噪声,为此提出了一种融合小波变换和形态学差分算法的边缘检测方法。将源图像进行小波分解,高频分量利用小波模极大值算法进行边缘检测,可有效提取高频边缘;低频分量采用形态学差分算法进行边缘检测,能够检测出低频边缘;采用一定的融合规则将两个边缘检测图像融合在一起。实验结果表明,该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。     

基于形态学和小波的遥感图像边缘检测

针对遥感图像噪声含量大、边缘细节丰富等特点,提出了一种基于形态学和小波分析相结合的遥感图像边缘检测方法,即利用小波变换将遥感图像分解为低频和高频两部分分别进行处理,低频采用形态学锐化算法改善低频边缘清晰度后构造全方位多结构元素进行形态学边缘检测,高频引入小波阈值去噪算法进行预处理后利用小波模极大值进行边缘检测,最后进行边缘图像融合.实验结果表明:该方法在有效抑制噪声的同时,实现了边缘的精确定位,细节提取效果好.     

基于Shearlet变换和多尺度Retinex的遥感图像增强算法

传统的小波变换、曲波变换和轮廓波变换无法对图像提供最优的稀疏表示,不能取得好的增强效果,为此,提出了一种基于剪切波(Shearlet)变换的图像增强算法.经Shearlet变换,图像被分解成低频分量和高频分量.首先,对Shearlet变换分解后的低频分量进行多尺度Retinex(MSR)调整,以减轻光照条件对图像的影响;其次,对各尺度、各方向上的高频系数采用阈值抑噪来消除噪声;最后,对重构图像进行模糊对比度增强,提高图像的整体对比度.实验结果表明该算法能够明显改善图像的视觉效果,突出图像的纹理细节且具有良好的抗噪性能.与直方图均衡(HE)、MSR、基于非下采样轮廓波变换(NSCT)的图像模糊增强(NSCT_fuzzy)算法相比,图像清晰度、信息熵、峰值信噪比(PSNR)均有一定的提高,且运行时间缩短为MSR的1/2和NSCT_fuzzy的1/10左右.     

融合双阈值和改进形态学的边缘检测

图像边缘检测的关键是在尽量多检测到边缘的同时更有效地抑制噪声,为此提出一种融合双阈值和数学形态学的边缘检测方法。首先对原图像进行小波分解,利用双阈值法处理高频分量,利用多尺度多结构数学形态学算法处理低频分量;然后采用差影法对高低频边缘图像融合。实验结果表明,对比单一使用小波模极大值法或数学形态学法,该算法具有更好的抑制噪声能力,检测出的边缘更加连续、清晰。     

基于高斯小波的多尺度积图像边缘检测算法

图像的边缘是图像最重要的特征之一。由于边缘和噪声都是图像的高频分量,提取的图像边缘总是受到噪声的污染。针对边缘检测中存在的噪声问题,本文根据Mallat快速小波变换算法的思想,提出用高斯函数和其一阶导数分别作为低通和高通滤波器对图像进行多尺度分析。为了精确定位图像边缘,对各尺度的低频、水平、垂直和对角分量不进行下采样。然后提取不同尺度上的系数,利用多尺度积对噪声严重的图像进行边缘检测。最后根据边缘点的梯度方向,采用改进的局部梯度极大值搜索方法获得图像的单像素边缘。实验结果表明本文所提出的方法,能在被噪声污染严重的图像中提取图像的单像素边缘,且边缘图像信噪比高。     

非采样Contourlet变换的多尺度积图像融合算法

为了得到优质的融合图像,提出了一种新的基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)的多尺度积图像融合算法.分别讨论了低频子带与各高频子带系数的选择方案.当选择融合图像的低频子带系数时定义了一种新改进的拉普拉斯能量和(Sum modified - lplacian,SML),设计了一种基于新改进拉普拉斯能量和的加权与选择相结合系数选择方案;在选择各高频方向子带系数时,根据多尺度积具有放大信号边缘特征,降低信号噪声的特点,提出了一种基于NSCT方向多尺度积的系数选择方案,从而不仅能恰当地选择出融合图像的NSCT各方向子带系数,有效保留图像的细节特征,而且能抑制噪声对融合算法的影响.实验结果表明,该方法优于基于小波变换和提升静态小波变换的图像融合算法,得到视觉效果更好,客观评价更高的融合图像.     

基于非下采样Shearlet变换与模糊对比度的合成孔径雷达图像增强

针对合成孔径雷达（SAR）图像在成像和传输过程中引入噪声和干扰从而导致图像清晰度下降、细节丢失等问题,提出了一种非下采样Shearlet变换（NSST）与模糊对比度的SAR图像增强算法。首先,原始图像经NSST分解成一个低频分量和若干个高频分量;然后对低频分量进行线性增强以提高整体对比度,对高频分量采用阈值法进行增强以去除图像中的噪声;接着对处理后的两部分分量进行NSST反变换得到重构图像;最后采用模糊对比度算法对重构图像进行增强,提高图像细节信息和层次感,得到增强后的图像。对40幅图像的实验结果表明,与直方图均衡化、多尺度Retinex增强算法、基于Shearlet变换和多尺度Retinex的遥感图像增强算法、基于剪切波域改进Gamma校正的医学图像增强算法相比,该算法的图像峰值信噪比至少提升了22.9%,均方根误差至少降低了36.2%,能明显提升图像的清晰度,使图像的纹理信息更加清晰。     

融合小波变换与数学形态学的图像边缘检测

针对传统图像边缘检测方法抗噪能力不足、边缘定位不精确等缺点,提出一种融合小波变换和数学形态学的图像边缘检测算法。先将图像进行小波分解,高频部分利用小波模极大值算法进行边缘检测,可以有效提取高频边缘;低频部分采用形态学多结构元算法进行边缘检测,能够检测出低频边缘;最后对两种方法得到的边缘图像进行融合。实验结果表明,该算法能有效抑制噪声,提高边缘精度并且定位准确。     

融合小波变换和新形态学的含噪图像边缘检测

针对图像边缘检测中,滤除图像噪声并有效保留图像边缘信息这一研究,提出了一种融合小波变换模极大值法和新型改进的数学形态学的含噪图像边缘检测方法。首先介绍了基于小波变换模极大值的图像边缘检测算法;然后提出了一种新型改进的数学形态学检测算法;最后为了综合两种算法的优点,应用新的融合方式将两种方法的检测结果融合到一起,提出一种融合小波变换和新形态学的含噪图像边缘检测方法。实验结果表明,提出的融合检测算法相比于单独使用小波变换模极大值或数学形态学算法,能更有效地抑制噪声,提高边缘检测效果。     

基于形态学小波变换的图像融合算法

在给出基于小波变换图像融合算法的基础上,为了增强图像的质量,提高图像分辨率,提出一种基于数学形态学的小波变换图像融合算法。对读入的图像进行小波变换分解,将分解后的高低频系数用一个扩展矩阵进行存储。在低频分量系数选择中,采用数学形态学方法进行边缘检测,得到边缘图像后,对边缘图像中的尺度系数采用加权平均法进行融合。在选择高频系数时,基于绝对值最大的原则。对多组图像进行实验,实验结果表明,该算法优于传统的融合算法,有效提高了图像的分辨率。     

基于多尺度分析和数学形态学融合的边缘检测

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,为此提出了一种基于多尺度分析和数学形态学融合的边缘检测方法。首先利用小波变换将图像分为高频和低频部分;然后再分别进行处理:高频部分利用小波系数的层内和层间相关性对系数调整后实现边缘检测,低频部分利用数学形态学进行边缘检测;最后将各自得到的边缘图像通过多尺度边缘融合,从而实现边缘提取。实验结果表明,同单纯基于多尺度分析方法或基于数学形态学的边缘检测方法相比,提出的方法具有更好的噪声抑制和边缘细节保护功能。     

基于引导滤波和Tsallis熵的SAR图像分割算法

针对合成孔径雷达(SAR)图像易受噪声干扰、分割方法精度低的问题,提出了一种基于频域引导滤波和Tsallis熵的SAR图像多阈值分割算法.利用非下采样Contourlet变换(NSCT)对图像多尺度分解,提取图像各方向的高频信息;通过引导滤波增强高频分量的边缘信息,在保持边缘的同时抑制了相干斑噪声;利用改进的二维Tsallis熵多阈值对增强图像精确分割.实验结果表明:分割算法对噪声不敏感,分割精度和适应性明显提高.     

基于Canny改进的边缘检测算法

Canny算子受噪声干扰严重,检测噪声污染的图像边缘的效果较差。轮廓结构元素形态学变换能有效滤除图像噪声,同时能保持图像边缘细节。本算法先用轮廓结构元素形态学变换的方法抑制噪声,求取图像梯度并用非极大值抑制法求其局部模极大值,采用双阀值法二值化图像边缘并进行连接。实验表明,该算法能精确提取噪声图像边缘。     

基于小波模极大值和形态学的图像边缘检测算法

提出一种基于小波变换和形态学的图像边缘检测方法.通过对源图像进行小波分解,用小波模极大值法和基于数学形态学的算法分别提取高低频子图像的边缘,最后采用合理的融合规则将两个边缘图像进行融合.实验结果表明,该算法能有效地抑制噪声,且边缘清晰、准确,效果优于经典的边缘检测算法.     

小波模极大值法与数学形态学边缘检测细化结果

图像边缘检测的关键是尽可能多的检测到边缘并且抑制噪声的同时,尽可能的满足单线的边缘定位精度;为此选取了一种融合小波模极大值和数学形态学的边缘检测方法来获取图像边缘;首先在对图像进行小波分解,分别利用模极大值法和多尺度多结构数学形态学方法来处理小波分解的高频分量和低频分量,利用差影法对二者的结果进行融合;然后利用大律法得到二值化图像,并用形态学边缘细化算法细化图像边缘得到最后结果;实验结果显示,融合的方法可以得到比较完善的边缘,经过二值化和边缘细化后,获得的单线宽边缘更加清晰,定位精度更高。     

基于改进Contourlet变换的遥感图像融合算法

针对基于Contourlet变换的遥感融合图像空间分辨率较低的问题,提出了一种基于改进的Contourlet变换(MCT)的遥感图像融合方法。首先,对多光谱图像进行亮度-色调-饱和度(IHS)变换,得到其亮度、色调、饱和度三个分量;其次,取多光谱图像的亮度分量,与直方图匹配后的全色图像进行改进的Contourlet变换,分别获得低频子带系数与高频子带系数;然后,对低频子带系数采用平均法进行融合,对高频子带系数采用新改进的拉普拉斯能量和(NSML)作为融合规则进行融合;最后,把融合结果作为多光谱图像的亮度分量,通过IHS逆变换得到融合的遥感图像。将所提方法与基于主成分分析(PCA)和Shearlet的方法、基于PCA与小波的方法以及基于非下采样Contourlet变换(NSCT)的方法相比,所提方法在清晰度评价指标平均梯度上分别提高了7.3%、6.9%和3.9%。实验结果表明,所提方法提高了Contourlet变换的频率局部化特性和分解系数利用率,在保持多光谱信息的基础上,有效地提高了遥感融合图像的空间分辨率。     

耦合边缘检测与优化的多尺度遥感图像融合法

为了使融合图像在显著提高空间分辨率的同时,最大限度地融入多光谱图像的光谱信息,提出了一种结合Canny算子与非下采样Contourlet变换的粒子群优化的遥感图像融合方法。首先在IHS变换的基础上,利用Canny算子对全色图像进行边缘提取,根据边缘分布特征对全色图像和多光谱图像[I]分量进行边缘特征融合得到边缘加强的全色图像,然后对新的全色图像和多光谱图像[I]分量分别进行非下采样Contourlet变换,并在低频子带采用有选择性的加权求和融合规则,对于高频方向子带先利用粒子群优化算法寻找结构相似度的最优阈值[p],再采用基于区域结构相似度的融合规则,最后经NSCT和IHS逆变换获得融合图像。仿真实验结果表明：提出的算法能很好地兼顾全色图像细节信息的保留和多光谱图像光谱信息的保持。