基于B样条小波的医学图像边缘提取

利用基于三次B样条小波的边缘提取方法,对医学图像进行了边缘检测并与传统的图像边缘提取方法进行了比较.结果表明基于三次B样条小波变换的边缘提取,具有定位准确,保留细节较好的优点.     

基于改进小波变换的多方向图像边缘检测算法

在对图像的小波变换原理讨论的基础上,针对传统小波变换在图像边缘检测中的不足,提出了基于改进小波变换的图像边缘检测算法.该算法从多个方向对图像进行多尺度小波变换;采用相邻尺度小波系数相乘的方法去除噪声,提取小波系数乘积的极大值点;将这多个方向上的极大点进行融合,形成图像的边缘.仿真实验表明,该算法具有较好的边缘检测和抑制噪声的能力,边缘检测效果明显优于传统的边缘检测方法.     

基于形态特征判别超声图像中乳腺肿瘤的良恶性

乳腺肿瘤超声图像的形态特征对判别肿瘤的良恶性具有重要的价值。为提高乳腺肿瘤超声诊断的准确率,提出一种基于其形态特征进行分类判别的计算机辅助诊断系统。该系统首先采用灰度阈值分割和动态规划相结合的方法提取超声图像中乳腺肿瘤的边缘,然后对所得边缘计算相应的三种形态参数,最后分别采用Fisher线性判据、误差反向传播神经网络和径向基函数神经网络对形态参数进行分类。该系统在157幅乳腺肿瘤(包括良性81例、恶性76例)超声图像上训练和测试,三种分类器均能取得较高的判别精度,其中误差反向传播神经网络和径向基函数神经网络的判别准确率、敏感性和特异性分别高达94.95 %、95.74%和94.23%。结果表明,基于乳腺肿瘤超声图像的形态特征建立的神经网络系统对肿瘤的良恶性具有较好的判别能力。     

乳腺肿瘤超声图像的特征分析

基于乳腺肿瘤良恶性在超声图像的不同特征,利用计算机自动识别,作为医生的辅助诊断.方法的步骤为本文先在常用超声仪上获得乳腺肿瘤超声图像,接着从图像中自动提取肿瘤边缘,然后自动提取不依赖于超声仪系统的特征参数,用特征选择器选择出最优特征矢量,最后经分类器判别乳腺肿瘤的良恶性.实验基于200例病例随机划分为训练集和测试集各半进行测试,获得结果Accuracy为0.960,Sensitivity为0.982,Specificity为0.935,PPV和NPV分别为0.946和0.977,结果表明本文方法泛化能力强,可以作为识别乳腺肿瘤良恶性的一种辅助手段.     

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。     

一种基于小波变换的煤矸石图像边缘检测方法

针对煤矸石在线识别与自动分选系统中的图像处理问题,采用小波变换的多尺度方法,研究了煤矸石图像的轮廓提取与边缘检测,通过图像消噪和边缘加强,对煤矸石图像进行了处理.研究结果显示,采用小波变换的边缘检测方法,可以有效地抑制噪声,准确提取煤矸石图像的边缘特征,有助于提高煤矸石的识别率.     

基于小波神经网络的零件图像特征提取和识别

提出了基于小波提取零件图像特征的方法,该方法是应用小波变换对零件图像进行多尺度边缘检测,将被检测的边缘图像分成若干个子区域,分别统计其中的边缘像素量,各区域中的相对边缘像素系数作为零件图像特征,利用神经网络实现识别.文中给出样本的实验结果,结果表明文中提出的方法是有效的.     

基于NSCT的航拍绝缘子图像边缘提取方法

绝缘子图像边缘提取是实现航拍绝缘子缺陷检测与识别的重要前提,结合航拍绝缘子图像的特点,提出了一种基于非下采样轮廓波变换(non subsampled contourlet transform,NSCT)的航拍绝缘子图像边缘提取方法。先利用分段线性灰度变换实现预处理,然后进行NSCT分解,基于分块思想对系数进行分块并求局部阈值,得到边缘图像,最后对边缘检测结果进行形态学滤波使边缘图像更清晰。分别对Lena图像和现场绝缘子图像用Canny算子法、小波模极大值法和所提方法进行图像边缘提取,并对各方法进行性能指标的评价。实验结果验证了所提方法对绝缘子图像边缘检测的有效性,并表明了该方法优于基于Canny算子和小波模极大值的边缘提取方法。     

基于M带小波变换的焊接熔池图像边缘检测

利用M带小波变换理论对CO2焊图像进行处理。基于Mallat小波模极大值边缘检测技术，研究了熔池边缘和焊缝位置的M带小波检测方法及算法实现，对边缘检测结果进行了分析。对CO2焊图像处理结果表明，用M带小波变换理论构造的小波基对提取熔池边缘和焊缝位置效果较好，可用于熔深控制、焊缝跟踪等领域。     

零件多源图像特征提取和识别的研究

提出了基于小波变换的零件多源图像融合和提取零件图像特征的方法。首先,应用小波变换对多源图像进行多尺度分解,利用小波分解系数融合零件多源图像。然后,对融合图像进行多尺度边缘检测,被检测的图像分成若干个子区域并分别统计其中的边缘像素量,各区域中的相对边缘像素系数作为零件图像特征。最后,应用神经网络和网络技术,进行远程零件多源图像识别。实验结果表明,文中提出的方法是有效的。