基于小波变换的多尺度图像边缘检测

边缘作为图像的最主要特征,成为图像信息获取的重要内容.而小波变换具有检测局域突变的能力,而且可以结合多尺度信息进行检测,因此成为图像信息边缘检测的优良工具.文章首先构造了高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,讨论了不同尺度的检测算子检测的边缘所具有的特点,在此基础上提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法.实验结果说明这种特征提取方法不仅有效地降低了噪声,而且融合的边界比较完整,定位准确.     

一种基于分形测度的图像纹理边缘检测方法

从图像纹理特征的描述出发，通过分析不同纹理特征局部分形测度随尺度变化的差异，提出了一种新的基于分形测度的图像纹理边缘检测方法．并且给出了该算法用于边缘检测的实例．新的边缘检测算子中包含了图像的纹理特征和灰度特征，因此，它具有好的抗噪性能和局部化性能，适合于有噪背景下目标边缘的提取     

一种启发式的自适应图像边缘检测方法

在生物学和医学研究中,经常需要对细胞的形状进行识别,这首先要对细胞的边缘进行检测,通常采用计算机图像处理技术,通过分析图像边缘检测的经典算法,本文提出一种适用性较强的启发式图像检测方法,得到了较理想的处理效果。     

基于小波变换的轮胎多尺度边缘检测

本文提出了基于小波变换的轮胎多尺度边缘检测的方法。将小波变换用于图像多尺度边缘检测,根据轮胎的图像特点,为了提高图像边缘检测的精度,对小波滤波器系数进行了分析,为了得到较好的边缘检测效果,对尺度进行了确定。     

多尺度自适应加权形态边缘检测方法

针对常用的多尺度边缘检测方法因卷积运算造成模糊图像边缘，提出一种多尺度自适应加权形态边缘检测方法，利用大小不同的结构元素提取图像边缘特征，在大尺度下抑制噪声，可靠地识别边缘，在小尺度下定位，再由粗到细跟踪边缘，得到边缘的位置，再由各尺度结构元的抗噪性确定加权值的大小，然后加权处理得到最后的边缘结果，实验表明，用多尺度自适应加权形态边缘检测算法可得到较理想的图像边缘。     

基于Marr-Hildreth算子多尺度图像边缘检测

针对监控图像的不同边缘特征,图像噪声大小和对边缘检测不同的要求,利用Marr-Hildreth拉普拉斯边缘检测算子多尺度特征,使用不同尺度的Δ2G算子,对监控图像进行边缘检测.     

基于MATLAB图像边缘检测方法的研究

图像中目标物的主要特征是通过边缘反映出来的,因而图像边缘可以作为图像识别、分类和理解的直接有效证据,这在图像处理中有着重要的作用和广泛的应用。通过MATLAB分别用5种算法对同一灰度图像进行边缘检测,比较实现结果,进一步对不同阀值状态下Canny算子进行边缘检测,结果显示,在阀值0.1到0.6范围内,对于Canny算子来说阈值越小边缘检测到的有效信息越丰富,阈值越大处理效果越清晰。     

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。     

基于分形维数的全变分图像平滑模型

针对标准全变分模型用梯度检测边缘易受噪音干扰产生"阶梯"效应和在处理纹理丰富的图像时易丢失细节纹理信息的缺点,提出了一种基于分形维数的全变分模型,该模型可利用图像局部分形维数来检测边缘,能够准确识别真实边缘、剔除假性边缘,从而抑制"阶梯"效应,可保护纹理丰富的图像的纹理细节信息。平滑后的图像显示出改进方法能有效去除噪声并减弱"阶梯"效应,获得较高峰值的信噪比。     

分形用于图像边缘检测的研究

分析和比较了时域中分形维数——盒子维数、面积度量维数和DFBIR场维数的估值方法,在实验基础上提出了相应的改进,并用于图像的边缘检测研究,其结果表明在某些方面优于传统的Laplacian方法和Sobel方法.     

一种改进的基于Canny算子的图像边缘提取算法

对Canny边缘提取算法进行改进, 采用二维高斯函数的一阶偏导数构造滤波器计算梯度幅值, 利用一种四阈值边缘检测定位方法定位边缘, 最后引入数学形态学方法对边缘细化处理. 改进算法对噪声抑制效果明显, 能够删除伪边缘, 检出边缘更加精细, 实验结果表明了改进算法的可行性和有效性.     

分形维数及其在图像分析中的应用研究

论述了盒维、差分盒维、毯子维以及多重分形维等基于分形理论的图像分析原理和方法,并讨论了国内的研究情况.从相应的研究可知,利用图像的分形维数特征,进行图像分类、图像分割以及边缘检测的方法是可行和有效的.     

图像分维数特征提取的算法及分析

研究了分维数理论在图像特征提取上的应用，在分析图像分维数计算原理的基础上，提出了一种计算分维数及其辅助特征的方法，并进而研究噪声、遮挡及图像灰度对比度对分维数值的影响。实验结果表明，分维数反映了图像的纹理性质，加入图像噪声、云层遮挡或提高图像对比度都会使分维数不同程度的增大。     

基于分维特征的肝脏CT图像识别

目前分形理论已被广泛应用于医学图像识别.本文利用了改进的差分盒计数法对肝脏CT图像进行了分形维数的分析,表征了肝脏图像的纹理特征,则可识别医学图像肿瘤信息.医学图像识别的结果可以直观的方式显示给临床医生,从而辅助医生提高医疗诊断的准确性和科学性.     

基于分形维数的皮革图像分类研究

为了对皮革图像进行分类,引入分形维数这一新特征,并通过毯子法计算皮革图像的分形维数,通过与实验所得的阈值进行比较实现牛皮和羊皮图像的分类.试验表明,该方法对牛皮和羊皮图像能进行有效的分类.     

基于分形维数的图像纹理分析

利用分数维能够把图像的空间信息和灰度信息有机结合起来的特性,提出了一种基于分形维数的图像纹理分析方法.为了更准确地描述纹理表面的粗糙度,该方法首先将纹理图像进行6种灰度变换并计算其相应的分形维数,同时采用H lder指数作为描述图像纹理的奇异性特征,然后利用提取的纹理特征对图像进行纹理分割.实验结果表明:采用该方法所分割的图像能很好地体现图像的纹理分布.     

分形维的自适应阈值选取与图像增强

对于低对比度纹理图像的感兴趣区域,如果直接采用最大类间方差法是很难将图像分割的.于是,在分形理论的基础上,提出了用加权分数维进行灰度增强的方法,找到了作为判断准则的基本系数,并以肺部CT图像中的肺结节为例进行分割与识别,得到了比较好的效果.