基于数学形态学的图像轮廓细化方法

图像轮廓细化是图像处理的一个重要方面,本文详细讨论了基于数学形态学的图像轮廓细化处理的方法,在Matlab中对轮廓封闭和不封闭的手绘家具图案扫描图像分别进行了仿真,并对实验结果做了分析研究。     

基于数学形态学的水声图像处理

对成像声纳采集到的水声图像进行有效且快速的处理与正确识别,是实现水下智能机器人的“声视觉”的关键问题。针对水声图像的特点,传统方法难以保证对“保边去噪”的要求和保持系统算法整合性。为此提出了一种基于数学形态学的水声图像处理方法,该方法采用广义形态开闭变换等形态学方法进行图像处理。试验结果表明,该算法抗噪能力强,效果明显,且计算量小、硬件实现简单,更好地保证了“声视觉”系统的准确性和实时性。     

数学形态学的细化算法

对目标图象进行细化处理,提取其骨架,在目标检测、图象编码以及光学字符识别等计算机视觉、图象处理与模式识别领域都有着广泛的应用．在定义了数学形态学图象轮廓和骨架的基础上,提出了基于两组结构元素模板的数学形态学细化新算法,这两组结构元素模板分别用来去掉目标的西北、东北、东南、西南方向四个角上的点和北、东、南、西四个方向上的点．用该算法对实际的字符进行细化,获得了令人满意的结果．     

基于数学形态学的二值图像骨架抽取算法

本文首先介绍了三种骨架抽取算法,并选取了最大圆盘的形态学骨架抽取算法作为研究对象,并对传统算法进行改进,不是选取单一的结构元素,而是选取两组(共8个)结构元素同时在各个方向对图像进行处理,得到了很好的效果。     

基于数学形态学的图像处理方法

从图像的描述方法出发，在二值形态变换的基础上，通过引入图像的阀集合和本影，导出了多值形态学基本形态变换建立的方法．并揭示了二值形态学与多值形态学在结构算法上的相互联系．在图像处理的形态学方法上，提出了基于形态变换的图像边缘提取、多种形态梯度、形态骨架表示方法，以及具有去噪和形态平滑功能的开、闭形态变换在图像分析中的应用．     

基于数学形态学的图象骨架提取与重建

提出了基于数学形态学理论来提取图象中的骨架并由骨架重建图象的方法.通过在MATLAB中的仿真,验证了此方法是提取骨架与重建图象的一种有效方法.     

基于数学形态学的图象骨架提取与重建

提出了基于数学形态学理论来提取图象中的骨架并由骨架重建图象的方法.通过在MATLAB中的仿真,验证了此方法是提取骨架与重建图象的一种有效方法.     

基于数学形态学遥感影像分类后优化处理

遥感影像分类后处理是为了提高分类的精度，优化分类结果。参考传统的分类后处理方法，本文提出了基于数学形态学的遥感影像分类后处理方法，利用数学形态学的基本概念和算法，在遥感软件ERDAS的平台上，对结构元灵活的组合．分解，应用形态交换算法达到了消除噪声、填补孔穴和光滑边界的效果，最大程度的保留了影像的信息，同时优化了分类后的影像；并实际验证了本文方法较传统方法的优越性与可靠性。     

基于Hu不变矩扩展的交通标志识别

交通标志的识别是智能交通系统(ITS)的组成部分之一，具有十分重要的意义，对Hu提出的区域不变矩和Chen提出的区域不变矩快速算法进行了扩展，得到一组新的描述形状特征的参数，这些参数具有平移、缩放和旋转不变性，并且具有较低的计算复杂性，具有Hu和Chen方法的综合优点．     

一种基于数学形态学的遥感图像边缘检测算法

为有效提取边缘密度大的遥感图像中的边缘信息，提出了一种利用灰度形态变换原理进行检测的 有效算法，首先利用开-闭形态滤波器降低输入图像的噪声，然后将二值图像的边缘提取算法推广到灰度 图像中加以应用。实验结果证明，此方法优于灰度形态梯度法+同时也优于Canny算子。     

基于数学形态学的二值图象细化算法

介绍了传统细化算法的主要设计思想,提出一种改进的二值图象细化算法,在原有算法的基础上增加了一组承担交叉线两侧细化处理的结构元素.结果表明:这一算法使得目标图象能从各方面快速、均匀地收敛至其骨架.可以看出,结构元素是数学形态学中形态运算最重要最基本的概念,结构元素选择的是否恰当,将直接影响目标图象的细化结果.     

改进的形态学航空图像边缘检测算法

为有效提取噪声较大的航空图像的边缘信息,对基于数学形态学的图像边缘检测算法进行改进:一是利用1种自适应加权复合数学形态学滤波器对图像进行滤波,二是结合图像特点和结构元素的自然属性,自适应确定权重,构造出1种具有较强抗噪能力的数学形态学梯度边缘检测算法。实验结果表明,该算法边缘定位准确,能检测出相对完整的边缘图像,且对噪声有较好地抑制作用。     

基于数学形态学的触针重建

讲述在接触式测量时触针产生图像失真的原因，然后在数学形态学的基础上介绍了一种触针重建的方法来减少触针在测量中的影响．     

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。     

基于数学形态学预处理的神经元放电检测

神经元放电检测是对后续神经元放电波形的聚类分析、神经元放电串的统计分析等工作都非常关键的第一步。为了尽可能准确地把神经元放电从背景噪声中分离出来,该文首先应用数学形态学对原始记录数据进行预处理,然后再经过阈值处理把神经元放电检测出来。选择和放电波形在形状、持续时间和幅度上都相近的结构元素,数学形态学预处理步骤能有效地滤除原始记录中的背景噪声,突出放电信号。对神经元放电仿真数据集和实验记录的大鼠海马区神经元自发放电的检测结果显示:基于数学形态学预处理的神经元放电检测方法的准确率要高于常用的直接进行阈值处理的检测方法。     

多特征融合的交通标识视认性评测方法

针对目前交通标识视认性评测方法误差过大的缺点,提出了一种高精度交通标识视认性评测方法。该方法根据道路环境中不同因素对交通标识视认性的影响,计算了标志牌图像中的颜色特征、亮度特征、复杂度特征,并考虑标志牌背景的影响,计算了标志牌和背景之间的颜色对比特征、亮度对比特征和复杂度对比特征,综合考虑以上6种特征及特征相互之间的影响,利用自顶向下(top-down)和自底向上(bottom-up)视觉模型建立多特征融合的交通标识视认性评测模型。通过模型实现了对识别出的标志牌进行视认性评测,反馈模型推测的视认性值。通过实验对多特征融合的视认性评测模型的有效性及模型精度进行了评测。结果表明,该模型能够高精度推测标志牌视认性值,且达标率在89%以上。     

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.     

数学形态学图像细化算法在RE中的应用研究

在数学形态学的理论基础之上,运用8种结构元素模板对图像进行击中匹配迭代运算,不断剥落图像边缘点,从而得到图像的中心骨架,达到细化的目的．该细化算法的连通性、单像素宽度性、抗噪声性都非常良好,而且处理速度很快,非常适合于有大量图像处理运算的反求工程．