排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点.经典的边缘检测算法如canny算子等是通过计算图像中局部小区域的差分来实现边缘检测的.这类算子对噪声非常敏感,并且常常会在检测边缘的同时加强噪声.多尺度形态学边缘检测利用不同的结构元素去作用图像,通过形态腐性和形态膨胀操作,获得了效果很好的图像边缘检测算法.单尺度形态学梯度算子也能很好提检测图像边缘,但结构元素的选取对输出结果影响较大.通过使用多尺度形态学梯度算子,可以弥补结构元素的大小问题.仿真结果表明,该算法能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法. 相似文献
4.
使用带衰减因子的Sobel算子对图像进行边缘检测,得到高亮显示的粗边缘,然后再次用Sobel算子二次检测图像,以2次所得图像的差作为细化结果,并结合图像分割算法确定阈值对图像进行二值化处理. 相似文献
5.
针对传统磁源边界识别方法在斜磁化条件下对多磁源目标识别能力较差的问题,提出斜磁化条件下多磁源目标的边界识别方法。根据矢量合成原理将磁场分量转化为总幅值异常以及方向余弦,利用改进K奇异值分解方法重建磁信号。利用归一化磁源强度与化极互相关的方法估计不同计算区域内磁源的磁化方向,将磁测数据转化为垂直磁化条件下的磁测数据。通过磁梯度张量矩阵特征值的绝对值之和与垂直条件下磁场沿z轴方向的分量在z轴方向上梯度的比值对磁源的水平边界进行求解,实现了对磁源水平边界的估计。仿真和试验结果表明,该方法能够准确识别斜磁化条件下多目标磁源的边界,且具有较强的抗噪性。 相似文献
6.
7.
侧扫声纳图像边缘检测较困难,为此,提出一种针对该图像特点的多尺度边缘检测方法。对侧扫声纳图像进行非下采样Contourlet变换(NSCT)分解,根据斑点噪声在NSCT域的分布特点,进行局部自适应去噪。通过各方向子带沿边缘方向的插值和非极大值抑制寻找模极大值点。通过类内方差最小化法自适应确定阈值,由阈值处理得到各子带的边缘。经边缘融合实现完整的边缘图。实验结果表明,该方法具有边缘检测完整、定位准确、伪边缘点少等优点。 相似文献
1