一种改进的基于梯度的自适应边缘检测算法

对常见的边缘检测算法进行改进,从梯度的定义出发,提出了一种应用于灰度图像的自适应阈值边缘检测算法.根据边缘处像素灰度值的差异,将模版中的9个像素分两组进行分析,计算出像素的梯度幅度和梯度方向.按梯度值的不同将图像分割成若干个区域,计算每个区域的灰度平均值,确定阈值,实现边缘检测.实验表明,该方法检测出的边缘更细、更准确,可以除去虚假的边缘,是一种有效的对灰度图像进行边缘检测的方法.     

多特征融合的图像格贴近度匹配方法

针对目前基于内容的图像检索方法中存在噪声、边界划分模糊及相似匹配算法复杂而检索精度不高的问题,提出了一种多特征融合的格贴近度图像内容匹配方法。为了抑制噪声,对像素间的灰度关系S~g_(ij)与空间关系S~s_(ij)进行合成,提出了邻域窗口像素灰度特征描述子;为了对组成图像的对象的边界进行分割,设计了一个像素密度分布特征描述子;在对图像的灰度、纹理及密度特征进行融合的基础上,提出了一种格贴近度图像匹配方法,实现了两图像相似性比较。实验结果表明:在灰度图像的相似性检索中,多特征融合的格贴近度匹配方法与特征压缩匹配及兴趣区域匹配等其他方法相比,平均归一化修正检索秩低10%左右,查准率-查全率综合评价指标高5%左右,该方法不仅设计简单,而且具有较高的检索精度。     

一种基于图像块分割的多聚焦图像融合方法

针对多聚焦图像，提出了一种基于图像块分割的图像融合方法，采用块区域局部对比度将多聚焦图像分割成三部分：聚焦清晰区域、聚焦模糊区域以及两者之间的边界区域，对于清晰区域和模糊区域，直接选取清晰块区域作为融合后相应块区域；对于边界区域，建立了基于对比度的像素选取方法进行融合处理，实验对比结果表明，该方法明显优于拉普拉斯金字塔融合算法和离散小波变换融合算法。     

基于区域检测的多聚焦彩色图像融合

针对在空域中基于分块的区域检测的多聚焦图像融合算法存在着对清晰部分的提取不完全的问题,对图像边缘部分无法准确提取的缺陷,本文提出一种基于非规则区域检测的彩色图像融合方法.首先将待融合的彩色图像由RGB模式转换到HSV模式,并且比较其对应的V分量图像像素点的邻域内方差的大小,将较大者标识为清晰像素,较小者标识为模糊像素;然后在此基础上根据像素邻域内的统计特征得到具有连续性和不规则性的图像的清晰区域;最后,根据多幅待融合图像的的清晰区域重构得到融合结果图像.实验结果表明,与基于分块的区域检测相比,本文所提出的方法能更为准确的提取图像的清晰部分.对比于传统的小波方法,从主观的视觉效果和客观数据分析来看,本文算法是有效的.     

基于提升小波和动态两阈值分块角点检测算法

为了更有效地检测高频图像,提出了基于提升小波和动态两阈值分块的角点检测算法。该算法根据图像中像素点周围像素灰度的相似性和角点的特性,引入提升小波变换理论,首先对图像进行提升小波变换,得到图像的高频区域;再对高频图像进行分块,对每个图像块分别采用动态两阈值算法对角点进行准确定位。实验结果表明:该算法可以较大地提高运算速度,并能够实现角点的准确定位。     

一种基于模糊逻辑的图像自适应去噪算法

为克服单一使用中值滤波方法去除脉冲噪声会造成图像细节信息丢失,使图像变模糊的缺陷,提出一种新的基于模糊逻辑的图像自适应去噪算法.新算法通过分析像素不同方向邻域像素灰度值分布情况来检测脉冲噪声点,另外为更好地保持图像边缘等细节特征,使用改进MMEM(maximum-minimum exclusive median)算法对噪声像素点的灰度值进行估计.最后,新算法通过引入模糊逻辑规则,更加合理地进行噪声污染像素点的灰度值复原.仿真结果表明,与其他改进中值滤波算法相比新算法在去除脉冲噪声时能取得更好的效果.     

基于图像块分割及小波空间频率的多聚焦图像融合法

提出了一种基于图像块分割及小波空间频率的多聚焦图像融合算法.采用块区域局部小波空间频率作为图像是否清晰的判断依据,对于明显的清晰和模糊区域,直接选取清晰区域作为融合后的相应块区域;而对于清晰与模糊的边界区域,采用了基于像素的窗口空问频率的方法进行融合处理.实验对比结果表明,该方法明显优于小波变换方法和图像块方法.     

基于极值自适应中值滤波与区域生长的半自动肝癌分割算法研究

针对肝脏肿瘤CT图像灰度差别小,边缘不明显的特点,为了提高分割精度提出一种基于极值自适应中值滤波与现有区域生长算法相结合的一种新的肝癌分割算法.采用一组临床肝癌CT图像样本进行图像预处理,利用此算法进行第一次滤波,再采用傅里叶变换方法进行第二次滤波,最后与现有算法结合完成分割.采用重叠错误率、相对误差和Dice相似性系数作为图像分割结果评价指标.通过定性分析和定量评价显示,基于本研究算法能精确分割出肝癌区域,获得的图像分割评价指标均优于其他常用算法.     

一种基于局部对比度的分块压缩感知多聚焦图像融合算法

提出了一种有效的基于局部对比度的分块压缩感知多聚焦图像融合算法。首先采用结构随机矩阵对源图像进行分块压缩测量,获得分块压缩测量值;其次,根据块局部对比度选择清晰的块进行初步融合;再通过多数滤波对初步融合结果进行一致性校验,得到最终的融合结果;最后,通过平滑投影Landweber算法(SPL)重构融合图像。实验结果表明,与目前基于BCS图像融合方法相比,本文所提方法对于多聚焦图像融合,在主观视觉感知以及客观定量指标如信息熵、互信息及平均梯度及算法运行效率等方面均有明显改进。     

多尺度特征的深度学习及在多聚焦图像融合上的应用

【目的】多聚焦图像融合指的是从同一场景下不同的图像中提取各自的聚焦区域,得到一幅全聚焦的图像,是近些年来图像处理领域一个热门的研究方向。传统的图像融合技术存在融合区域不清晰、失真、存在伪影等情况。针对这一现象,提出了一种基于深度学习的图像融合方法。【方法】所提算法整体使用了孪生网络来对图像中的聚焦区域进行分类,同时还引入了GoogLeNet中的Inception模块来提高网络的特征提取能力,取得了良好的性能。为了充分利用源图像中的特征信息,提出的算法中使用了不同大小的子块来提取源图像中不同尺度的特征信息,获得源图像多个尺度的特征。此外,提出的方法获得的二值图能够精确反映出源图像的聚焦区域和非聚焦区域,因此不需要应用后处理步骤来对二值图进行优化,降低了网络的复杂度。【结果】在Lytro多聚焦图像集和其他常用的多聚焦灰度图像集上的实验结果表明：相比于其他经典算法,提出算法的融合结果从主观和客观两个维度上都拥有显著的优势。【结论】提出的算法很好地融合了源图像中的细节特征,融合边缘自然平滑、无伪影产生,取得了较传统算法更好的融合效果。