多尺度结构元素的数学形态学边缘检测新方法

针对不同尺度的形态学结构元素具有不同的图像边缘检测效果,提出了采用不同尺度的结构元素来检测图像边缘的方法.该方法通过小尺度结构元素的膨胀来获取大尺度结构元素,然后进行加权合成来获得边缘图像.仿真实验表明,对于具有单色背景的混有不同噪声的灰度图像,随着膨胀次数的增加,检测得到的合成图像的边缘更清晰完整,细节更丰富;将该方法应用于具有期望PSNR值的噪声图像,和其他的传统边缘检测方法相比,其检测到的轮廓更加清晰,对噪声不太敏感,能够很好地提取边缘.     

基于多尺度多结构元素的数学形态学边缘检测

针对传统方法在边缘检测中遇到的问题,分析了结构元素的选取,提出了一种基于多尺度多结构元素的数学形态学图像边缘检测算法,并将其应用于含有噪声的数字图像.结果表明,算法在滤除噪声的同时,能够取得较好的边缘检测效果.     

基于多结构元素的数学形态学边缘检测算法

针对传统边缘检测算子对噪声敏感的不足,提出了一种基于多结构元素的数学形态学边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,得到一种新的抗噪型边缘检测算子,利用多结构元素提取图像的边缘特征,即使在噪声条件下,也能获得较为理想的图像边缘。实验结果表明,与传统的边缘捡测算子相比,该方法边缘检测精度高,且具有良好的噪声鲁棒性。     

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。     

基于多结构元素的形态学边缘检测算法

本文提出了一种基于多结构元素的形态学边缘检测算法,该算法利用形态学的基本运算膨胀、腐蚀、开、闭及它们的组合,并通过构造4个不同方向的结构元素,得到图像4个方向的边缘检测结果,并将这些结果加权平均,得到最终的图像边缘。结果表明,该算法的性能优于经典的LoG算子和Canny算子,检测出的边缘平滑性好,特征清晰,而且具有一定的抗噪性。     

基于Soft多结构元素形态学的TM图像边缘检测

基于传统的数学形态学边缘检测算法,改进结构元素,提出Soft多结构元素算子。针对TM图像中存在噪声多和边缘形态多样性的特点,构建多结构元素,并结合Soft形态学方法,对TM图像进行形态学的腐蚀和膨胀,实现遥感图像的边缘检测。     

基于局部多结构元素数学形态学的灰度图像边缘检测算法

提出了一种边缘检测算法。该算法在数学形态学的基础上，针对图像中噪声和边缘形态的不同建立了多个结构元件，利用基于视觉模型的边缘阈值选择策略确定灰度图像中梯度变化中的像素点，并对其采用二值形态学的腐蚀操作，选择出图像的边缘，滤除噪声，与传统的形态学方法相比，该算法只对梯度发生变化的像素点进行操作，减少了运算量，得到了与人的主观视觉更为一致的边缘。实验表明，与经典的边缘检测算子相比，该算法不仅具有很好的边缘提取能力，而且具有很强的抗噪能力。     

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.     

一种基于形态学多结构元素的医学图像边缘检测方法

针对传统检测方法模糊图象边缘及定位精度不高的问题提出一种基于形态学多结构元素的医学图像边缘检测方法。该方法利用多个结构元素和复合算子检测图像边缘,仿真实验结果表明,该方法能够提取清晰的图像边缘,定位精度高,优于传统边缘检测方法。     

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.     

形态学多结构元多尺度熵权边缘检测方法研究

数学形态学广泛应用于图像处理和模式识别领域.针对形态学单结构元在边缘检测中边缘信息丢失的问题,提出了基于形态学多结构元多尺度熵权边缘检测方法.首先利用形态学高低帽运算对原始图像进行增强处理,由形态学运算调整结构元素尺度,采用抗噪型算子进行边缘检测,依据边缘图像的信息熵确定权值进行融合,改进了数学形态学边缘检测算法.实验结果表明,与传统边缘检测算法相比,该算法在保持图像边缘清晰的同时,有很强的去除噪声能力.     

基于小波变换和形态多结构元的抗噪边缘检测算法

提出了一种小波变换与多结构元形态学相结合的抗噪边缘检测方法.通过改进的小波边缘提取方法选择噪声图像的突变点,同时滤除部分噪声;针对图像中噪声和边缘形态的不同,建立了多个结构元素,采用多结构元形态检测算子对选取的突变点进行形态操作,在抑制噪声的同时,较好地提取了边缘.实验表明,对含有不同类型噪声(如椒盐噪声、高斯噪声等)的图像,该方法都可以较好地抑制噪声、提取边缘,且优于经典的边缘检测算法.     

基于形态多结构元和小波变换的边缘检测算法

提出了一种小波变换与多结构元形态学相结合的抗噪边缘检测方法。通过改进的小波边缘提取方法选择噪声图像的突变点,同时滤除部分噪声;针对图像中噪声和边缘形态的不同,建立了多个结构元素,采用多结构元形态检测算子对选取的突变点进行形态操作,在抑制噪声的同时,较好地提取了边缘。基于实验结果,指出对含有不同类型噪声(如椒盐噪声、高斯噪声等)的图像,该方法都可以较好地抑制噪声,提取边缘,且效果优于经典的边缘检测算法。     

多方位形态学结构元素在图像边缘检测中的应用

应用基本形态运算,定义了多方位形态学结构元素,通过形态运算加权平均组合,构造了多方位形态学边缘检测方法,使得局部方差最大．通过计算机仿真实验,对原始图像分别用本文方法、Ｓｏｂｅｌ 算子、Ｌａｐｌａｃｅ算子进行边缘检测,实验结果验证了本文方法能很好地检测出边缘．     

基于小波模极大值多尺度的图像边缘提取

边缘是图像信息的主要内容,而小波变换的多尺度特点能够检测局域突变,是图像边缘检测的优良工具.采用的小波模极大值多尺度边缘提取的基本思想是沿梯度方向,在特定阈值的约束下检测模的极大值点,将不同尺度下的边缘信息通过一定的规则进行综合,得到最终的边缘图像.实验结果表明,该方法能有效地抑制噪声,可靠识别边缘,提高检测精度等特点,是一种有效提取图像边缘的方法.     

基于小波变换的多尺度图象边缘检测

边沿作为图像视觉的最主要特征 ,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 .基于信号与噪声在不同尺度下小波系数模的变化特征 ,利用小波变换系数模局部极大值来提取图像的边缘特征 .实验结果说明这种特征提取方法不仅有效地降低了噪声 ,而且也能较准确地提取图像的边缘及降低计算量 .     

基于边分类的三维模型外轮廓线抽取算法

根据三维模型面片的方向性对边进行分类，筛选出轮廓边即共享可见面与不可见面的边，大幅度地排除那些不可能成为轮廓线的边，筛选过程只是一种比较运算。算法L利用外轮廓线的连通性递归搜索邻接的轮廓边得到若干闭合回路和分离的轮廓边，最终得到外轮廓线，并且自动决定的闭合回路方向和回路之间位置关系决定了回路是否属于外轮廓线；对那些精度不高而可能造成闭合回路搜索失败的三维模型，算法C利用遮挡关系由模型的前向面片对轮廓边进行裁剪得到三维模型的外轮廓线。用四叉树结构对模型投影区域进行划分，尽可能地排除那些不可能对轮廓边有遮挡关系的前向面片，减少裁剪的比较范围，降低算法的复杂度。本文的方法快速准确，适应各类二维流形模型。     

基于线性CCD阵列的弹头轮廓误差测量

提出了一种运用CCD成像测量技术进行大型机械零件轮廓测量的图像测量方法，该方法利用CCD成像技术获得零件轮廓的图像，并使用Marr边缘检测算子精确确定零件轮廓的边缘位置，利用十一点曲率法得到轮廓的角点和切点的大致位置，并对轮廓分段识别。最后采用直线和任意曲线轮廓拟合的数学模型及误差评定方法，判断所测零件的轮廓度是否满足公差要求。该方法代替了传统的模板手工测量，测量效率高，实验表明，此方法达到了理想的测量结果。