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。     

改进的数学形态学小波图像融合算法

在分析了图像经小波分解后边缘信息容易丢失等问题的基础上,给出了小波形态学图像融合改进方法.为了提高图像质量,提出改进主要在低频系数选择算法上,采用形态学灰度形态梯度边缘检测算子对低频子图像进行边缘检测,能够更好的保存原图边缘细节信息;对高频系数选择采用基于绝对值最大的原则.对三组图像进行实验,实验表明采用改进方法使得局部对比度信息得到更好的保留,提高了分辨率,具有一定的实用性.     

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.     

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。     

改进的小波图像融合算法及应用研究

为了提高图像融合质量,论文提出了一种改进的小波变换的图像融合方法,该算法将源图像分别进行小波分解,各图像分解成低频系数和高频系数,低频系数采用基于prewitt算子的融合规则,高频系数采用融合系数选大的融合规则,然后将融合后的低频系数和高频系数做离散小波变换,得到小波变换后的融合图像.与传统的图像融合算法相比较,实验表明了改进的小波图像融合新算法具有更好的融合效果,将改进后的算法用于发动机温度场检测中,融合后的热端部件示温漆彩色图像边缘特征更加突出,区域分割精度更高.     

基于双正交多小波变换的多光谱与全色图像融合研究

针对多光谱与全色图像融合中存在的光谱扭曲问题,提出了一种利用双正交多小波进行多分辨率分析,并结合平均与选择法处理小波高频系数的融合算法。该算法首先对已配准的多光谱图像进行IHS变换,然后分别对变换得到的强度分量I与全色图像进行双正交多小波分解,为增强融合图像的空间信息,对分解得到的高频系数利用平均与选择相结合的方法来确定,低频系数则通过邻域方差准则得到。最后由新的小波低频和高频系数重构并进行IHS逆变换得到融合图像。实验结果表明,该方法可以有效减少光谱扭曲,并提高图像的空间分辨率,保留图像中的边缘细节。     

基于提升静态小波变换与联合结构组稀疏表示的多聚焦图像融合

为抑制传统小波变换在多聚焦图像融合中产生的伪吉布斯现象,以及克服传统稀疏表示的融合方法容易造成融合图像的纹理与边缘等细节特征趋于平滑的缺陷,提高多聚焦图像融合的效率与质量,采用一种基于提升静态小波变换（LSWT）与联合结构组稀疏表示的图像融合算法。首先对实验图像进行提升静态小波变换,根据分解后得到的低频系数与高频系数各自不同的物理特征,采用不同的融合方式。选择低频系数时,采用基于联合结构组稀疏表示的系数选择方案;选择高频系数时,采用方向区域拉普拉斯能量和（DRSML）与匹配度相结合的系数选择方案。最后经逆变换重构得到最终融合图像。实验结果表明,改进的算法有效地提高了图像的互信息量、平均梯度等指标,完好地保留图像的纹理与边缘等细节信息,融合图像效果更好。     

基于Sobel算子和局部能量的图像融合新算法

文中提出一种新的基于小波变换的图像融合算法,以提高图像融合质量。首先应用小波变换将图像分为高频和低频部分,再对小波的高频和低频系数采用融合算法进行处理,最终将处理后的高频和低频小波系数进行融合。文中对低频系数采用基于Sobel算子的方法,有效保留边缘特征。对高频系数采用基于局部能量取大准则,有效保留高频的细节和区域特征。为了抑制噪声和控制图像的不稳定性,最后再对低频和高频系数的选择结果进行邻域窗口的一致性检验与调整。与传统金字塔方法和经典小波变换相比较,实验结果表明此方法融合效果较好。     

基于 Sobel 算子和局部能量的图像融合新算法

文中提出一种新的基于小波变换的图像融合算法,以提高图像融合质量.首先应用小波变换将图像分为高频和低频部分,再对小波的高频和低频系数采用融合算法进行处理,最终将处理后的高频和低频小波系数进行融合.文中对低频系数采用基于 Sobel 算子的方法,有效保留边缘特征.对高频系数采用基于局部能量取大准则,有效保留高频的细节和区域特征.为了抑制噪声和控制图像的不稳定性,最后再对低频和高频系数的选择结果进行邻域窗口的一致性检验与调整.与传统金字塔方法和经典小波变换相比较,实验结果表明此方法融合效果较好     

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。     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.     

基于稀疏理论与快速有限剪切波变换的医学图像融合算法

在临床医学领域,图像辅助诊断对医学视图的处理效果要求很高.针对医学图像融合过程中图像视觉效果较差的问题,提出了一种基于稀疏理论与快速有限剪切变换的医学图像融合算法,提高了医学图像处理效率.首先,采用快速有限剪切波变换(FFST)分解源图像,将其分解为高频系数和低频系数;其次,根据高频系数和低频系数的不同性质,提供不同的融合策略,通过相对标准差比较法对高频系数进行处理,对于稀疏性较差的低频系数利用KSVD方法训练,得到字典并采用稀疏原理进行处理;最后,将融合后的高频和低频系数通过FFST逆变换融合到医学图像中.实验结果表明,算法的图像融合效果好,尤其是在提高图像清晰度等方面,具有良好的实用价值和应用前景.     

一种形态学多小波变换多聚焦图像融合方法

给出了一种形态学多小波变换多聚焦图像融合方法.该方法利用不同的小波对待融合图像进行小波分解,采用形态学灰度形态梯度边缘检测算子对低频子图像进行边缘检测,以更好地保存图像边缘细节信息;采用加权平均方法选择高频系数.对两组多聚焦图像进行实验表明,采用这种方法能够更好地保留图像边缘信息,融合效果明显优于传统的图像融合方法.     

基于Contourlet变换的多波段SAR图像融合

针对不同波段SAR图像的融合,该文提出了一种在Contourlet变换域融合的方法,利用Contourlet变换的充分表示图像边缘信息的能力,将图像分解为低通系数和不同方向的高频系数,对方向高频系数定义一个边缘信息量测指标,选择量测指标大的系数作为融合系数,解决了小波变换融合中图像边缘信息容易丢失的问题。通过对两波段SAR图像进行融合实验并与小波变换融合结果比较,在视觉特性与统计因子客观评价上均取得了更好的效果。     

小波变换与纹理合成相结合的图像修复

目的 为了克服传统的图像修复算法在结构和纹理边界的错误修复,利用小波变换域的系数特征,探讨了一种基于小波变换与纹理合成相结合的修复算法。方法 算法先利用小波变换将待修复图像分解成具有不同分辨率的低频子图和高频子图,然后根据不同子图各自的特征分别进行修复。对代表图像结构信息的低频子图,采用FMM(fast marching method)算法进行修复;对代表图像纹理信息的高频子图,根据各子图中小波系数的特征,利用纹理合成方法进行修复。结果 分层、分类修复方法对边缘破损具有良好的修复效果,其峰值信噪比相比于传统算法提高了1~2 dB。结论 与相关算法相比,本文算法的综合修复能力较好,可以有效修复具有较强边缘和丰富纹理的破损图像,尤其对破损自然图像的修复,修复后图像质量得到较大提升,修复效果更符合人眼视觉效应。     

基于非下采样Contourlet变换和形态学的图像边缘检测

在复杂工件的边缘检测过程中,噪声干扰和细节丢失会使检测结果产生较大的误差。针对这一问题,提出了将非下采样Contourlet变换和数学形态学相结合的边缘检测算法。首先对原始图像进行非下采样Contourlet变换,然后对得到的高低子频图像采用不同的方法进行边缘提取,最后通过合理的融合规则得到图像的边缘图像。仿真实验表明,该算法对图像边缘细节的提取比其他算法更加丰富,并具有较好的连续性、抗噪性和鲁棒性。     

基于改进的稀疏表示和PCNN的图像融合算法研究

为提高图像融合的清晰度,本文提出一种基于改进的稀疏表示和脉冲耦合神经网络（pulse coupled neural network,PCNN）的图像融合。利用非下采样剪切波变换（non-subsampled shearlet transform,NSST）对源图像进行分解变换,得到相应的低频子带和高频子带具有不同的信息。对于低频子带,采用改进的稀疏表示进行融合,利用K奇异值分解（K-singular value decomposition,K-SVD）算法,并对源图像进行自适应学习的多个子字典构造成联合词典。对于高频子带,则改进PCNN融合系数的选择方法,利用改进的空间频率作为神经元反馈输入来激励PCNN模型,并根据点火输出的总幅度最大的融合规则选择高频系数。最后,将融合后的低频子带和高频子带系数进行NSST逆变换,重构出融合图像。实验结果表明:该算法很好地保留了图像的边缘信息,并且得到的图像在相关的客观评价标准上也取得了良好的效果,表明了本算法的有效性。     

基于Daubechies 小波的图像边缘检测技术

利用Daubechies 正交小波变换的性质,通过Mallat 多尺度分析方法对图 像进行小波变换,把图像分解成低频轮廓,水平高频、垂直高频和斜线高频四个部分。针对 图像边缘主要集中在高频部分,该文先保持小波变换后的高频小波系数,同时对低频小波系 数进行再次小波变换,提取出次高频信号的边缘信息。最后对保留下来的高频小波系数和次 高频小波系数进行逆变换获取最大边缘信息。