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。     

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。     

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.     

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。     

结合无下采样Shearlet变换和改进尺度积的边缘提取

为了解决遥感图像边缘提取中的伪边缘现象,提出了一种基于无下采样Shearlet变换模极大值和改进数学形态学的边缘提取算法。首先,通过无下采样Shearlet变换对目标遥感图像提取高频分量和低频分量;针对小尺度边缘系数受噪声影响过大,对相邻2个尺度较大的高频系数进行改进,得到尺度多方向的高频系数。然后,采用非模极大值抑制方法对高频系数进行处理,提取高频分量的目标边缘;采用改进的数学形态学方法对低频分量进行处理提取低频目标边缘。最后,将高低频边缘提取结果加权融合,并使用区域连通法去除孤立噪声点,得到最终边缘提取结果。实验表明,与Canny算法、基于NSCT模极大值+Canny算法、基于NSCT模极大值+数字形态学3种算法相比,该算法提取的目标边缘轮廓不仅完整清晰,连续性好,还具有较强的抗噪性。     

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。     

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。     

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。     

基于状态权的小波边缘检测算法

提出了一种基于小波变换和各向异性扩散的图像多尺度边缘检测方法。对噪声图像进行小波变换,得到高频和低频小波系数。对高频小波系数归一化后进行各向异性扩散得到状态权,把该权值作用在原高频小波系数上,得到了既去除噪声又保持结构不变的小波系数。对低频小波系数直接用小波阈值方法去噪,利用小波系数模极大值法对去噪后的高频和低频小波系数进行边缘检测,得到最终的边缘图像。实验结果表明,该边缘检测方法由于结合了小波和各向异性扩散方法,从而有效地抑制了噪声,得到了连续、清晰的边缘。     

基于小波的小尺寸物体的图像边缘提取方法

基于小波变换的“多分辨”特性，采用一种利用小波模极大值，找到图像中的边界点，从而实现对灰度图像的边界检测的方法，通过分析图像中是否有灰度突变特征，来判断边界的存在。在进行边界检测之前。首先要滤除原图像的寄生噪声的干扰。实验结果表明：基于小波变换的边界检测方法可对图像边界进行敏锐提取，从而得到小尺寸物体的图像的细微特征。     

利用小波变换局部模极大值进行实时目标定位的应用

提出了一种基于小波变换局部模极大值的边缘检测方法．利用B样条小波构造出一个边缘检测算子，采用多孔算法进行边缘提取，减少了图像识别与测量中必要信息的丢失，并且提出了自适应阈值的方法，较好的解决了图像边缘的提取精度与对噪声抑制能力之间的矛盾．实验中对比了几种传统边缘检测算子和小波模极大值方法的在边缘检测效果、抗噪性和运算时间等方面的性能，本算法对加噪图像和模糊图像都获得比传统算法更好的检测效果，证明了基于三次B样条小波的局部模极大值方法检测目标边缘的有效性和正确性．     

一种基于静态小波变换的图像融合算法

给出了一种基于静态小波多尺度边缘检测的图像融合算法,是一种适用于微光和红外图像融合的多分辨率方法。该方法选择á trous多孔算法为基础,并选取不同尺度参数的LOG算子作边缘检测,利用了图像的多尺度边缘信息确定图像的边缘位置进行融合。在小波域中,对高频信息依据边缘检测的边缘点进行融合,对低频信息利用取加权法进行融合,再进行小波逆变换重构融合图像。通过红外和微光图像的融合实验结果表明,该方法能有效地突出边缘细节,提高图像分辨效果和人眼对场景目标的发现和识别概率。     

结合小波滤波和形态学的图像边缘检测方法

针对传统的边缘检测方法对含噪图像检测效果不理想,提出了一种小波滤波和多结构元素的数学形态学相结合的图像边缘检测方法。用广义交叉验证准则进行小波阈值的自适应选取,用此阈值的广义阈值函数的小波滤波方法对含噪图像去噪;构造4种具有代表性的结构元素,根据边缘方向自动选择相应方向的结构元素,用改进的形态学边缘检测算子对图像进行边缘检测,得到在噪声存在条件下较为理想的图像边缘。实验结果表明,该算法能够有效地抑制噪声,检测的边缘较清晰、连续,其检测效果优于传统边缘检测算法。