二值图象中物体区域的选定及外边缘跟踪技术

讲述了对二值图象中所感兴趣的物体区域的选定方法,并提出了一种通用性较强的边缘跟踪算法,以提取被选定物体区域的外边缘轮廓。     

多结构元素多尺度的数学形态学图像边缘检测算法

边缘检测是图象处理与模式识别的一个重要图象预处理过程。传统的边缘提取方法如Sobel,Prewitt和Canny等非常有效但对噪声非常敏感。形态学边缘检测目前已成一个研究热点,但大多算法采用单一结构元素,很难对复杂边界进行有效的处理。因此我们提出一种基于多结构元素多尺度的数学形态学边缘检测算法,先用多尺度结构元素交替顺序形态开-闭平滑图象以去噪,再用多结构元素对不同方向的边缘进行提取,最后把各方向边缘融合得到图象边缘。实验结果表明,提出的算法不仅有很强的抗噪性,而且很有效的提取图象的边缘。     

一种用于提取医学图象边缘的新方法

本文运用图论中启发式搜索法，能够克服人体器官边缘轮廓中某些区域出现灰度模糊，智能地提取精确的边界。本文所述方法能推广到光照不均匀和边缘有重叠物体图象中提取边界     

边缘保持递归去噪算法及在图象处理中的应用

为了在图象处理时，既可以有效地去除噪声，又不会太多地破坏边缘，在一维卡尔曼滤波器的基础上，通过加入噪声图象边缘的结构信息，导出了一种简单的、可快速计算的边缘保持递归去噪算法。算法的主要思想是将与边缘大小和位置有关的信息从噪声图象中提取出来并将这些信息作为卡尔曼滤波器的控制输入，采用这种方法可以有效地降低图象边缘破坏的程度。对包含边缘信息和不含边缘信息的Ｘ线头影图象进行了处理，实验结果表明，加入边缘信息的卡尔曼滤波器的性能明显优于传统的卡尔曼滤波器，改进的滤波器在去除图象噪声的同时，可以有效地保持图象的边缘。     

火灾图像边缘检测和轮廓提取算法研究

在数字图像处理中,理想的图像边缘检测算法可以根据挖空法再结合边缘跟踪技术设计算法来实现。而在实际工程应用中,所获取的图像中的噪声很多,现有的边缘检测算法检测出的轮廓一般粗细不一,边缘不连续之处过多。为此在检测出图像中物体的轮廓后,还要花大量的时间来处理躁声,在实际应用中很难实现,并且实时性也很差。为此提出一种基于连通区域面积阈值化的实现算法,可以同时实现噪声消除与轮廓提取,以更好地定位图像中的目标物体。     

基于粒子滤波算法的物体轮廓提取

为了解决物体轮廓提取工作中,由于图像的复杂性和多义性无法依靠计算机来自动完成,而手工提取又存在速度慢、精度低、工作量大等缺点的问题,提出了一种基于粒子滤波算法的物体轮廓的提取算法,该方法可以整合各种先验信息到模型中去提高提取精度.实验证明该方法通过很少的人工交互就可以很好的提取复杂物体的轮廓.该方法为提取物体轮廓线提供了较好的解决对策.     

基于二维灰度阈值的图象二值化分割算法

图象的二值化分割算法是图象处理中最基本的预处理方法，二值化结果的好坏将直接影响后期的处理或识别．本文提出了一种基于二维灰度阈值的图象二值化分割算法，该算法能够将图象中的物体从有噪声的背景中有效地分离出来，具有较好的二值化结果。     

基于小波变换的人脸图象特征的边缘提取算法

人脸图象识别是模式识别、计算机视觉和人工智能领域的一个热点,而人脸图象的特征提取又是人脸图象识别的关键步骤.小波变换以其多分辨率分析和多通道分解的独特分析方法在图象处理领域中有着广泛的应用.文章利用二进小波变换多尺度的特性,结合一些常规的边缘提取算法,在人脸图象特征的边缘提取方面取得了令人满意的结果,实验表明是一种有效的人脸图象特征边缘提取算法.     

工程图纸轮廓提取方法及其在工程手写字符识别中的应用

提出了一种新的适用于大幅面二值图象轮廓提取方法，该方法具有数据量少、速度快、边缘噪声不敏感、轮廓近似度任意和易于以专用硬件实现预处理等特点，还提出了一种基于ＦＦＴ的字符轮廓特征提取和识别方法，并给出了实验结果。     

检测噪声图象边缘的CPR法

本文提出一种噪声图象中检测边缘的新方法.该方法从图象的灰度概率域入手,将概率谱分为两个等面积的集群.通过判定集群间距离检测图象的边缘.理论分析与实验结果表明这种方法具有较强的对噪声图象的边缘提取能力.     

基于K-means和GVF Snake模型的纤维图像分割

在纤维图像自动识别系统中,分割出完整连续的纤维是纤维特征分析的必要前提.针对纤维图像的背景和前景灰度区别不大、光照不均对图像的影响等特征,提出融合K-means和GVF(Gradient Vector Flow)Snake模型的纤维图像分割算法.该算法以提取完整连续的纤维轮廓为标准,利用K-means聚类分割结果为GVF Snake模型的初始轮廓线,并对得到的存在毛刺的轮廓结果采用轮廓跟踪去除毛刺,从而得到完整连续的单根纤维图像.该算法不仅能有效解决传统图像分割方法对纤维图像分割的不连续问题,而且能有效抑制纤维图像中噪声的影响.     

基于多尺度模糊聚类与DGVF模型分割颈动脉超声造影图像

超声造影(contrast-enhanced ultrasound, CEUS) 图像在血管疾病诊断与治疗中有很高的应用价值, 其中通过提取颈动脉CEUS 图像中的血管边界对血管形态及弹性等属性进行测量具有重要意义. 由医生手工勾勒血管轮廓耗时耗力, 且重复性差、主观性强, 而传统计算机分割方法因受到图像中斑点噪声的干扰而存在鲁棒性差和初始化难两大问题. 首先, 结合多尺度模糊聚类方法与粒子群优化算法提取血管的粗略轮廓, 以此作为方向梯度矢量流(directional gradient vector flow, DGVF) 模型的初始轮廓; 然后, 对轮廓进行形变收敛至最终结果. 通过分割来自14例患者的48张颈动脉CEUS 图像的实验, 结果表明所提出的方法优于传统方法, 能自动、精确地提取颈动脉CEUS 图像中的血管边界.     

基于小波多尺度分析的X—线头影特征点提取

提出了一种基小波多尺度分析的X－线光头影特点自动提取方法,先进行多尺度分解,得到不同分辨率的图像;接着在低分辨率的图像上处理,用Canny边缘检测算子提取边缘;用基于知识的跟踪方法和可变模板法连接边缘,得到了骨骼线和软组织线;将轮廓线作为指导信息,在高分辨率图像上校正,得到高精度的轮廓线;根据特征点的几何定义,利用轮廓线的益信息、曲率等属性来提取征点,实验表明,对于质量较好的X－线图像,该方法具有较高定位精度,并且稳健性较好。     

小波变换在医学图像边缘检测中的应用

边缘检测是医学图像处理中的一项基本内容.正确提取医学图像的边缘特征,无论对于描述目标还是解释图像都是十分关键的.由于小波变换具有良好的局部特性和多分辨率的特点,将基于小波变换的边缘检测方法应用于医学图像的边缘提取.实验结果表明,该方法不仅能有效地检测图像边缘,并且对噪声有良好的鲁棒性.     

基于Kinect深度图像信息的手势分割和指尖检测算法

为克服传统二维彩色图像处理算法易受周围环境、光照变化、背景等因素的影响,提出利用Kinect深度图像信息,实现一种快速鲁棒的手势分割与指尖检测算法。首先,根据Kinect得到的深度信息对非人体部分图像进行筛选,得到包含人手的人体图像;然后对当前得到的人体图像进行直方图分析,计算能够区分人手与非人手的阈值,并通过该阈值对人体图像进行分割得到人手图像;最后,对人手图像进行形态学处理,计算掌心位置,并提取手部轮廓,结合人手轮廓关键几何特征对指尖进行有效检测。实验表明,该方法能够实时、有效地对指尖进行检测。     

基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法

提出了一种基于小波变换的低光照对比度或强噪声背景下图像增强与目标提取方法.低光照对比度情况下成像获得的图像进行处理分析、目标定位识别与跟踪都有一定困难,必须对其进行增强处理.根据图像的纹理统计特性,设计了专用于保护纹理特征的巴特沃思滤波器,对低光照对比度图像或强噪声背景下图像进行增强,可有效地克服低光照对比度图像或强噪声背景条件下进行处理分析、目标定位识别与跟踪造成的影响.实验结果表明:应用小波变换的多尺度分析方法和专门设计的巴特沃思滤波器,可较好地消除低光照对比度或强噪声背景下图像的干扰.     

一种实用的红外图像模拟生成方法

提出了一种红外图像模拟方法,该方法以可见光图像作为红外背景模拟数据源,并采用Multigen,Vega等建模仿真软件模拟特定目标,通过红外目标与背景图像的叠加,并根据红外成像系统的三维噪声模型进行噪声处理,实现红外图像模拟．在红外背景模拟中,提出了以感兴趣区域分割为基础的区域划分方法,该分割方法较好地保留了区域细节,从而获得较精确的分割结果．最后给出的模拟实验结果表明本方法既能获得比较逼真的红外模拟图像又具有很强的实用性．：     

基于动态阈值选择和细化算法的角膜细胞轮廓抽取

角膜细胞图象轮廓提取的关键是分隔出细胞与背景,生成二值图象．由于角膜细胞图象的光照不均匀,用单一域值无法兼顾亮区与暗区．提出了一种基于动态域值选择和细化算法的角膜细胞轮廓抽取算法．首先对处理图象进行灰度平均和中值滤波平滑处理,消除细胞内部的不均匀性和保持细胞之间的边界;然后用动态域值选择算法分割细胞和背景;最后使用细化算法抽取细胞的轮廓．此算法应用于角膜细胞图象,处理结果证明了算法的有效性．     

基于Grabcut的图像目标提取

在图像处理过程中,快速准确地提取感兴趣的目标是图像处理的一个重要任务.提出了一种基于Grabcut准确提取图像目标的算法,该方法根据用户指定前景物的基本形态获取初始的前景、未知的背景区域,并用mincut/maxflow对分割能量函数进行了优化,利用大量图像对本文方法进行了实验分析,结果表明了算法能有效提取图像中感兴趣的目标.     

lab颜色空间和形态学处理相结合的双行车牌定位方法

车牌定位是车牌识别系统的前提和关键。针对双行车牌均是黄色车牌,且比较脏的特点,首先将图像由RGB颜色空间转换成Lab颜色空间;再利用Lab颜色空间的通道a提取出图像中的红色和绿色区域,通道b提取图像中带干扰的黄色区域,然后将二者相减,提取出图像中的黄色区域,并可同时去除背景及车身的大部分干扰;最后利用形态学处理滤除噪声等影响,粗略定位出车牌候选区域,再结合图像的纹理特征如面积、长宽比和连通域内像素个数最终定位出车牌区域。该方法对复杂环境下的双行车牌能实现快速准确定位,受光线、背景环境影响较少,同时对脏牌、污牌也能达到准确定位的目的。