基于融合技术的小波变换和数学形态学的边缘检测算法

针对传统的基于小波变换的边缘检测法无法提取低频区域完整连续的边缘,并且会丢弃包含一些重要细节的高频区域,同时受到噪声的影响而导致边缘提取效果不佳的问题,提出了一种基于融合技术的小波变换和数学形态学的边缘检测算法.在小波域中,对低频子图像采用数学形态学进行边缘检测,对高频子图像先进行小波降噪再采用小波模极大值法进行加权边缘检测,最后采用一定的融合规则对高、低频边缘子图像进行融合.实验结果表明,该方法用于图像边缘提取,不但能有效去除噪声干扰,又能突出边缘细节,边缘定位连续准确.     

基于小波变换和形态多结构元的抗噪边缘检测算法

提出了一种小波变换与多结构元形态学相结合的抗噪边缘检测方法.通过改进的小波边缘提取方法选择噪声图像的突变点,同时滤除部分噪声;针对图像中噪声和边缘形态的不同,建立了多个结构元素,采用多结构元形态检测算子对选取的突变点进行形态操作,在抑制噪声的同时,较好地提取了边缘.实验表明,对含有不同类型噪声(如椒盐噪声、高斯噪声等)的图像,该方法都可以较好地抑制噪声、提取边缘,且优于经典的边缘检测算法.     

基于融合技术的小波变换和形态学边缘检测算法

提出了一种图像边缘检测的方法.本算法将小波变换和数学形态学相结合,并采用简单的融合策略,确定图像边缘位置.在小波域中,对高频子图像用小波模极大法进行边缘检测,对低频子图像用数学形态学法进行边缘检测,然后采用一定的融合规则分别对高、低频边缘子图像进行融合,最后进行小波逆变换重构融合图像.实验结果表明,该算法融合规则简单,泛化能力强,能有效地抑制噪声,较好地再现图像的边缘信息,是一种有效的图像边缘检测算法.     

基于小波变换模极大值的边缘检测方法

研究了采用小波变换模极大值进行图像边缘检测方法.小波变换模极大值常用来检测信号的奇异值,用这种方法可以检测到图像所有边缘的细节,但同时也会检测到一些伪边缘和噪声点.研究通过阈值消除伪边缘并给出了确定阈值的具体方法.实验结果表明,采用图像分块方法确定阈值,并用该阈值来限定模值,可以得到更好的边缘检测效果.     

综合Canny法与小波变换的边缘检测方法

提出一种Canny法与小波变换相结合的边缘检测方法.首先,对源图像进行小波分解,在不同分解层上对高频子图像用小波模极大法进行边缘检测,对低频子图像用Canny法进行边缘检测,然后采用一定的融合规则将这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Canny法的优点,对用不同方法得到的两种边缘信息进行融合,从而有效地抑制了噪声,保留了连续、清晰的边缘.实验结果表明,这种结合方法要优于单独使用Canny法或小波变换法.     

基于小波变换和数学形态学的航空图像边缘检测

为有效提取噪声较大的航空图像的边缘信息,对基于小波变换和数学形态学相结合的图像边缘检测算法进行了改进,将小波分解后的高频和低频子图分别进行边缘处理。对分解后的低频系数图像采用小波边缘检测方法,而对包含细节较多的高频系数图像则选取合适的结构元素,提出一种新的梯度算子,采用基于小尺度的数学形态学方法进行边缘检测,最后对2种边缘图像采用小波重构方法得到新的边缘图像。     

基于轮廓波包变换的磁瓦表面缺陷提取

针对磁瓦图像对比度低、背景复杂及亮度不均匀等特点,结合磁瓦表面缺陷采用机器视觉自动检测的需求,提出一种基于平稳小波包和非下采样方向滤波器组构造的轮廓波包变换的缺陷提取方法.首先详细论述了轮廓波包变换构造原理,利用平稳小波包变换时不变特性,建立一种新的轮廓波包变换来保证信号的多尺度方向选择性.其次,利用轮廓波包系数的相关特性,采用相关去噪算法消除磁瓦缺陷图像噪声;根据轮廓波包子带系数在不同区域的三维特性,使用自适应阈值修正子带系数,保留缺陷子带系数.最后,采用轮廓波包逆变换重构轮廓波包子带系数,获得缺陷图像.实验结果表明,相比于Sobel和小波包的边缘检测方法,该方法能有效消除磁瓦图像噪声,提取缺陷图像准确率可达95%.     

一种基于小波提升变换的多尺度边缘提取算法

提出了一种基于小波提升变换的改进图像边缘的检测算法.本算法首先对源图像进行小波提升分解,然后分别对高、低频子图像进行边缘提取.对于低频信息使用Canny算子进行边缘检测,而高频信息先用相邻尺度小波系数相乘的方法去除噪声,消噪后再对高频分量进行边缘检测.最后通过一定的融合规则进行融合,得到最终的边缘图像.实验结果表明,该方法具有运算速度快,能有效地抑制噪声,边缘检测精度高等特点,是一种有效的图像边缘提取算法.     

基于小波变换的数字全息再现像质量提高方法

数字全息再现像中存在的散斑噪声严重影响了数字全息的应用,通过分析边缘检测方法和小波变换阈值去噪方法的原理,提出了一种基于边缘检测的小波变换散斑噪声去除方法。首先利用高斯-拉普拉斯算法获得边缘图像,进而通过Neyman-Pearson准则获得自适应阈值,并采用改进折中阈值函数对边缘图像和非边缘图像小波系数进行处理,将两者处理后的小波系数相加,并进行反变换得到处理后的图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。     

小波边缘检测在焊缝图像处理中的应用

将小波变换边缘检测技术引入焊缝图像的处理过程,有效解决了算子边缘检测技术在抗噪声能力和精确定位能力间的矛盾.通过采用二次B样条小波检测焊缝图像的边缘,并定义了相似性距离定量的比较各类检测结果的优劣,通过该距离的定量计算和比较,充分显示了小波变换技术在抗噪声能力和精确定位能力方面的优越性.