基于多尺度轮廓结构元素的数学形态学边缘检测

针对边缘检测算子对噪声敏感的缺点,提出了基于多尺度轮廓结构元素的数学形态学边缘检测算子.该算子采用多尺度轮廓结构元素的开运算和闭运算去除噪声,用小尺度轮廓结构元素提取图像的边缘,降低了结构元素对边缘检测的影响,实现了边缘的准确定位.仿真实验表明,该边缘检测算子定位准确,保留了更多的图像细节,具有更强的去除噪声能力.     

基于改进的形态学算子的灰度图像边缘检测

提出一种改进的形态学图像边缘检测算法.针对单结构元素在检测时出现检测结果边缘线条粗、不连续性的问题,该算法提出了利用6种具有代表性的结构元素进行膨胀组合,形成多尺度结构元素,从而弥补了传统边缘检测算法提取灰度图像细节边缘少及抑制噪声能力差的缺点.     

一种基于数学形态学的多形状多尺度边缘检测算法

基于数学形态学的边缘检测过程中,不同形状、不同尺度的结构元素在滤除噪声和保持边缘细节方面的作用是不同的,为此提出了一种基于多形状多尺度结构元素的自适应边缘检测算法,分别使用不同方向和大小的结构元素提取图像边缘,通过计算信息熵自适应确定权重系数,对多形状结构元素和多尺度结构元素检测的边缘做融合处理.实验结果表明,该算法与几种经典边缘检测算子相比,有效抑制了噪声影响,提高了检测精度,对各种不同图像具有很好的鲁棒性.     

基于改进数学形态学的含噪图像边缘检测

针对传统的边缘检测算法对含噪图像的检测效果不理想,提出一种改进的数学形态学边缘检测算法。该算法首先采用多尺度双结构元素形态学进行滤波去噪,再利用改进的多尺度多结构元素形态学边缘检测算子进行图像边缘提取。实验表明,该算法具有很强的噪声抑制能力,对含噪图像的边缘检测效果良好,提取的边缘清晰且平滑,边缘定位精度高。     

基于全方位和多尺度形态学的图像边缘检测

针对图像中噪声和边缘形态的不同,定义了全方位、多尺度的形态学结构元素.通过形态运算的加权组合,构造了全方位、多尺度形态学的边缘检测方法.仿真实验表明,该方法与经典的边缘检测算子相比,不仅具有很好的边缘提取能力,而且具有很强的抗噪性能.     

形态学多结构元多尺度熵权边缘检测方法研究

数学形态学广泛应用于图像处理和模式识别领域.针对形态学单结构元在边缘检测中边缘信息丢失的问题,提出了基于形态学多结构元多尺度熵权边缘检测方法.首先利用形态学高低帽运算对原始图像进行增强处理,由形态学运算调整结构元素尺度,采用抗噪型算子进行边缘检测,依据边缘图像的信息熵确定权值进行融合,改进了数学形态学边缘检测算法.实验结果表明,与传统边缘检测算法相比,该算法在保持图像边缘清晰的同时,有很强的去除噪声能力.     

用形态学改进医学图像边缘检测算法

针对医学图像的噪声问题,在数学形态学边缘检测算子的基础上,综合多结构元素和多尺度算法的特性,提出了一种改进的边缘检测算法。该算法采用交替序列滤波器和结构元素,对数据分别进行闭运算和开运算,并且对水平、垂直和倾斜方向采用不同的权重系数进行加权,同时计算出膨胀型边缘检测算子,最后获得改进的边缘检测算子。给出了算法实现的具体步骤,使用该算法提取了MRI图像边缘,并对Lena图也进行了检测。实验表明该算法能够提高传统的形态学边缘检测方法的边缘分辨率,具有一定的实用性。     

基于数学形态学的图像边缘检测算法

传统的边缘提取算法非常有效但对噪声非常敏感,大多形态学边缘检测算法采用单一结构元素,很难对复杂边界进行有效的处理.文中提出一种基于多结构元素多尺度的数学形态学图像边缘检测算法,先用多尺度结构元素交替顺序形态开-闭平滑图像以去噪,再用多结构元素对不同方向的边缘进行提取,最后将各方向边缘融合得到图像边缘.实验结果表明,文中提出的算法不仅具有很强的抗噪性,而且能有效地提取图像的边缘.     

改进的全方位多尺度牙X线图像边缘检测

在改进的抗噪型边缘检测算子的基础上，结合形态学知识，综合全方位、多尺度的形态学结构元素，通过形态学运算的加权组合，提出一种改进的全方位多尺度牙X线图像边缘检测方法．实验表明，通过改变结构元素和形态尺度的大小，在不同尺度下选取不同的权值，与经典的边缘检测算子相比，该方法在抑制噪声影响的同时，能较好地识别出牙X线图像边缘轮廓．     

结合Wiener滤波和形态学的图像边缘检测方法

提出了一种将Wiener滤波和数学形态学相结合的图像边缘检测方法.首先用自适应Wiener滤波对含噪图像去噪,然后构造6种具有代表性的结构元素,用改进的形态学边缘检测算子对图像进行边缘检测,自适应确定权重,将多结构元的边缘检测信息加权求和,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.     

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘; 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘； 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

基于Clifford代数的多光谱图像边缘检测

为了充分利用多光谱图像不同图层之间的关联性,采用Clifford代数描述多光谱图像.在Clifford代数空间中,定义了多光谱图像的Clifford微分与Clifford梯度.在此基础上,提出了一种新的多光谱图像边缘检测与融合算法.该算法首先计算出各像素点的Clifford梯度,进而得到Clifford梯度范数;然后以此为依据,判断像素点是否为边界点,从而得到多幅边缘检测图像;最后,将这些图像融合,便可得到最终的边缘图像.与基于最大熵的多光谱图像边缘检测算法的比较结果表明,算法由于利用了多光谱图像不同图层之间的关联性,因而可以更好地保留边缘信息,获得更完整的边缘检测效果.     

基于形态学优化处理的标记符分水岭矿石图像分割

针对不同形状、颜色的堆积矿石在图像采集时出现粘连重叠、边缘模糊等问题,提出一种形态学优化处理的标记符分水岭算法对矿石图像进行特征识别与边界分割。首先采用双边滤波进行去噪处理,然后通过Canny边缘检测算子梯度化,得到梯度幅值图像;其次采用形态学优化处理,重构堆积矿石的几何特征信息,分割矿石颗粒边缘;最后将图像进行可视化处理,获得彩色矿石颗粒分割图像。在形态学优化处理过程中,通过阈值分割数来寻找结构元素最佳参数,再通过分割率来确定最优结构元素。结果表明,该方法比传统标记符水岭算法分割更精准,且不同结构元素及其参数的变化对矿石分割效果影响较大,分割差异显著,当矩形结构元素长10、宽5时,其分割率最高,为95.68%,分割效果最佳。     

基于Soft多结构元素形态学的TM图像边缘检测

基于传统的数学形态学边缘检测算法,改进结构元素,提出Soft多结构元素算子。针对TM图像中存在噪声多和边缘形态多样性的特点,构建多结构元素,并结合Soft形态学方法,对TM图像进行形态学的腐蚀和膨胀,实现遥感图像的边缘检测。     

一种基于小波变换和数学形态学的边缘检测算法

结合小波变换和数学形态学的优点,提出了一种基于小波变换和数学形态学的边缘检测算法.基于数学形态学的边缘检测,对现有的检测算子进行改进,构造了一种抗噪型边缘检测算子,并使用不同方向的线型结构元素;基于小波变换的边缘检测能有效地保留图像边缘的细节信息,使提取的边缘完整连续.实验结果表明,本研究提出的算法与几种经典边缘检测算子相比,有效抑制了噪声的影响,提高了检测的精度,对各种不同图像具有很好的鲁棒性.     

基于多结构元素的数学形态学边缘检测算法

针对传统边缘检测算子对噪声敏感的不足,提出了一种基于多结构元素的数学形态学边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,得到一种新的抗噪型边缘检测算子,利用多结构元素提取图像的边缘特征,即使在噪声条件下,也能获得较为理想的图像边缘。实验结果表明,与传统的边缘捡测算子相比,该方法边缘检测精度高,且具有良好的噪声鲁棒性。     

基于迭代技术的图像轮廓提取方案的研究与实现

图像轮廓提取算法通过识别每个像素在其邻域内灰度的变化而检测出图像的边缘;但由于图像的复杂性和随机性,特别是自相关性强烈的图像,其微结构往往是十分复杂的。典型的轮廓提取算法已经无法直接用于其图像轮廓的提取,而且几乎无法从图像中提取到较为清晰的目标轮廓。对此,提出一种新的基于迭代技术的图像轮廓提取方案来改善;并通过VC++6.0软件进行验证。首先使用分形技术方法对图像进行了处理,噪声干扰因素得到了有效的降低;通过这样的办法净化了图像背景并增强了图像元素之间的差异度。然后对图像进行微分提取算法的轮廓提取。结果表明:传统图像边缘提取技术与分形迭代技术结合起来的新方案能够有效的区分图元颗粒的形态,可以从自相关性强烈的图像获得比较清晰的轮廓,从而更清晰地揭示图像组成元素的图元结构。该方法对图像处理范畴的拓展以及图元微结构的识别判定都有积极的指导意义。     

基于改进U-Net神经网络的图像去噪算法

针对目前常见的U-Net网络结构以及现有的图像去噪算法在去除图像噪声时,处理后得到的图像较为模糊且图像的边缘纹理过于光滑缺乏真实性的问题,提出了一种改进的U-Net网络结构去噪算法.它由去噪模块以及边缘信息提取模块组成,首先,利用U-Net++中的跳跃连接应用到原始的U型去噪子网中,密集连接的U型去噪网络可以减少编码器...