小波变换模极大值法在图像边缘检测中的应用

边缘检测是计算机图像处理的一个重要环节,但是常用的方法存在一些缺点.本文介绍了小波变换模极大值法进行边缘检测的原理.检测结果表明,小波变换方法能有效的检测出边缘,优于Sobel算子、Prewitt算子、Roberts算子.     

利用MATLAB进行数字图像的边缘检测算法研究

本文首先对几种经典边缘检测算法进行了讨论,例如Roberts边缘检测算子,Prewitt边缘检测算子,Canny边缘检测算子等。然后深入研究小波变换理论和图像边缘检测理论方法,通过理论分析和MATLAB软件仿真结果,将小波算法和经典边缘检测算法进行比较,证明了该方法的有效性和优越性。     

基于层内相关性的小波相位边缘检测

图像的边缘检测是提取图像信息的主要方法,是计算机视觉和图像识别的基础,传统的边缘检测大都是基于各种算子的,这些算子在检测边缘的同时特别是对含噪图像的边缘检测难以达到理想的效果.充分利用小波变换的特点,提出一种基于层内相关性的小波相位边缘检测方法,利用小波变换后边缘点与周围局部范围内各点在相位上的相关性提取边缘.实验结果表明,本文方法在很好的检测出边缘的同时,并有较强的去噪功能.     

利用海岸带遥感图像提取岸线的小波变换方法

小波变换作为一门新兴的数学分支已被广泛应用于图像处理领域。本文将小波变换应用于黄河三角洲遥感图像的边缘提取，检测出图像的边缘，从而得到了三角洲岸线信息。实验结果表明基于小波变换的图像边缘提取要优于经典边缘算子的提取。此方法对于把握河口三角洲的冲淤演变规律和海岸带开发具有重要意义。     

基于小波变换的模极大值图像边缘检测算法

将小波分析技术运用到图像边缘检测中以勾勒图像轮廓，提出了基于小波变换的模极大值边缘检测算法．利用二次B样条小波和Mallat算法对图像进行了边缘检测．仿真结果表明：该方法去噪效果好，能提取图像中较弱的边缘，且边缘具有很强的连续性，明显优于传统的边缘检测算子．     

B样条小波在图像边缘检测中的应用研究

讨论了小波变换的图像边缘检测理论后,给出了采用紧支集３ 次样条小波的图像边缘检测算子,导出了采用３ 次样条小波作为边缘检测的方法．最后给出了数值实验,验证了该方法的有效性．     

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.     

一种基于小波变换和Canny算子相结合的边缘检测方法

提出了一种利用小波变换手段和Canny检测算子相结合的边缘检测处理方法。在提取图像边缘之前,利用小波变换能够检测局部突变的能力以及多尺度聚焦的功能,充分抑制图像噪声干扰的同时适当调整图像中目标与背景的对比度,最后利用最优阈值下的Canny算子提取图像边缘。此方法可以很好的消除因噪声干扰带来的虚假边缘,强化弱边缘,使之能够更理想的被检测出来。     

B样条小波在图像多尺度边缘检测中的应用研究

本文介绍了使用小波变换检测图像边缘的原理 ,利用 B样条小波构造出一个边缘检测算子 ,使用多孔算法进行边缘提取 ,并提出了一种更简化的实现方法 ,通过实验验证了这种方法的有效性     

炭素制品X射线图像的小波边缘提取

针对经典的边缘检测算法在炭素制品X射线有噪图像的边缘检测效果问题,提出了基于小波变换的多尺度局部模极值边缘检测算法.该方法充分利用了小波变换优越的时频局部化分析能力及图像边缘点和噪声点的小波变换局部模值和方向在不同尺度下呈现不同的特性的特点.首先对图像进行小波增强处理,改善了图像的质量,在此基础上,确定了检测X射线图像边缘的最优边缘检测滤波器(小波基)和尺度,给出了小波多尺度局部模极大值的算法,并将该算法与经典的边缘检测算子进行了比较.实验结果表明,该方法明显比传统检测算子的效果要好,为进一步的缺陷模式识别等高层处理奠定了良好的基础.图3,参15.     

基于自适应分块MRF模型的SAR图像变化检测研究

现有的SAR图像变化检测算法仅仅考虑图像的单一像素信息,未考虑图像像素间的空间依赖关系,检测结果易受图像噪声的影响,检测精度较低。将马尔可夫随机场模型引入到SAR图像变化检测算法中,极大地提高了检测精度,但是算法计算量很大,效率极低。基于分块马尔可夫随机场模型的SAR图像变化检测算法极大地提高了检测效率,但是检测过程中采用固定尺寸的图像分块方法,未考虑图像的局部细节特征,检测效果不是很理想。论文首先根据图像局部细节特征将图像划分成尺寸变化的子图像块,然后利用基于马尔可夫随机场模型的SAR图像变化检测算法实现变化检测。实验结果表明,论文提出的算法既保持了很高的检测精度,又极大地提高了检测效率。     

基于灰度不均匀图像边缘检测算法改进

边缘检测算法是图像处理中的一个重要的研究内容。该算法的好坏直接影响着图像处理的结果,常用的检测算法常常不能满足特定情况下的要求(例如实时跟踪下的图像处理)。本文在分析了灰度图像各种边缘检测算法的特性的基础上,根据具体需求,对灰度不均匀的图像边缘检测算法进行了改进。实验表明,在图像对比度较差的情况下,应用灰度变换增强后,配合相应的边缘检测算法,可以大大减少运算量,与原来的算法相比,能够取得较好的效果。     

小波变换及骨架提取在图像边缘检测中的应用

提出了一种基于小波变换及骨架提取的图像边缘检测算法，该算法将小波变换、边缘点检测和骨架提取合并成一个完整过程，减少了图像中纹理对边缘提取的影响．实验结果表明，该算法有较好的边缘检测效果．     

基于灰色绝对关联度的边缘检测算法

探讨了灰色关联度在边缘检测中的适用情况,提出并实现了基于灰色绝对关联度的灰度图边缘检测算法.该算法有效地避免了几种典型的边缘点误判,算法中简单的逻辑或操作克服了灰色绝对关联度在边缘检测中的方向性问题.实验结果表明本算法快速有效.     

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.     

基于模糊增强的图像边缘检测的研究

对图像处理时的边缘检测算法作了分析和研究,介绍了基于模糊增强的图像边缘检测算法,详细研究了单层次模糊增强和多层次模糊增强的算法,并结合实验说明,该智能图像处理方法不仅能够明显的增强图像,而且可以检测到良好的图像边缘.最后,展望了这一新的研究应用领域的发展前景.     

基于小波变换及融合技术的图像边缘提取

图像边缘检测是图像分割、图像识别的基础,传统边缘检测是基于图像整体的边缘检测.小波变换使基于图像分解的边缘检测成为可能,利用小波变换将数字图像分解为高频和低频分量,对高频和低频分量分别进行边缘检测.常规融合方法是将高频边缘和低频边缘进行简单叠加,由于高频、低频边缘是通过不同方法提取的,二者之间的相似度、吻合度存在差异,简单叠加不能够有效融合高频、低频边缘图像特征,本文算法采用局部区域方差准则把高频和低频边缘在小波域进行融合.实验表明,该算法能够有效融合高频、低频边缘图像特征,具有较好的边缘检测和去噪功能.     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

边缘检测梯度法的小波实现

图像的边缘表现为图像上的不连续性，边缘检测就是检测图像上的不连续点或陡变点。本文根据Mallat多尺度边缘检测原理，提出了一种图像的边缘检测的新算法。与Mallat的多尺度边缘检测算法相比，这个算法具有计算量小的优点。文中给出了应用这个算法对图像进行边缘提取的实例。     

Canny算子与数学形态学算子相结合实现胸水细胞的边缘提取

针对胸水病理细胞显微图像的灰度分布不均匀性、灰度级范围窄等情况,提出了利用数学形态学方法与Canny算子相结合的算法对其进行边缘检测.首先利用Canny算子对细胞进行边缘的初次分割提取,然后利用数学形态学中的线形和菱形结构元素及填充函数对细胞边缘进行精确提取,获得了较好的实验结果,达到了对胸水细胞边缘自动检测的目的,有助于发现早期病变的细胞.