基于多尺度分析提取胚胎边缘的算法研究

本文提出了一种从胚胎图像中提取边缘的有效算法。该算法在小波多尺度分析的基础上,针对胚胎边缘的几何形态选择多尺度元素进行边缘提取。实验表明,该算法具有良好的胚胎边缘提取效果。     

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。     

基于改进三角剖分插值EMD的多尺度边缘检测

为提高二维EMD分解速度,改善从本征模函数(IMF)图像提取边缘的质量,提出了一种改进三角剖分插值EMD的多尺度边缘检测算法.该算法首先通过邻域像素比较法得到图像极值点,利用改进的Delaunay三角剖分和三次样条插值函数进行曲面拟合,抑制了边界漏点问题,并用图像灰度均值改进了筛分停止准则,再对其分解得到的第一个IMF子图像进行小波多尺度分解提取图像边缘.通过仿真实验,结果表明该算法不仅能准确地提取图像边缘,还有效地抑制了噪声.仿真结果验证了该算法的可行性和有效性.     

基于小波变换的多尺度图像边缘检测算法

针对边缘检测算子的抑噪能力和定位精度之间矛盾,提出了一种基于B样条小波变换的边缘检测方法.首先对图像进行小波多尺度分解,在每种尺度下分别提取图像边缘;而后利用边缘信息的多尺度特性,融合多尺度边缘得到了单像素宽边缘.通过计算机仿真对该方法进行验证,实验结果表明该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,效果优于传统的边缘检测算法.     

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.     

基于中值与均值滤波的边缘检测优化算法

图像在采集过程中容易受到视角、尺度、亮度、污渍、模糊等不确定因素的影响,造成较大失真.为减少失真,提高边缘提取的精度,在多噪声环境下,提出了中值与均值滤波相结合的边缘检测优化算法,实验仿真结果表明,该算法能有效抑制噪声,能提高图像边缘提取的精度.     

基于多尺度小波变换的图像边缘检测

图像边缘是图像中的重要信息,为了检测图像中的边缘信息,提出了一种基于多尺度小波变换的图像边缘检测算法．该算法充分利用了图像边缘在多尺度下的信息,首先选用二次B样条小波对原始图像进行多尺度小波分解,提取出图像中的高频信息,包括真实的图像边缘和噪声,然后根据图像边缘和噪声在不同尺度下具有不同的传递性,抑制噪声分量,保留图像边缘分量．实验结果表明,该算法获得了较好的图像边缘检测效果．     

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.     

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.     

基于图像多尺度分解的前景提取

为了弥补纹理对传统GrabCut提取结果的负面影响,本文分析了图像边缘和颜色分布的尺度特性,结合图像多尺度分解和GrabCut,提出了基于图像多尺度分解的前景提取模型.首先,该模型运用全变分对图像进行多尺度分解得到一系列平滑图像,该分解保护了图像边缘并平滑了纹理,压缩了图像区域颜色的分布范围;其次,将给定平滑图像前景颜色分布表示为高斯混合模型,并运用直方图形状分析方法优化了高斯混合模型的高斯函数个数,弥补了传统固定高斯函数个数的负面影响;最后,根据不同平滑图像的分割结果设计了迭代终止条件,使得从适当的分解尺度中提取前景.与传统前景提取算法相比较,该模型降低了纹理对前景提取的负面影响,其测评分数高于传统算法.