基于多结构元的噪声污染灰度图像边缘检测研究

提出了具有多结构元的灰度形态学边缘检测梯度算子 ,根据图像的几何特征 ,采用多结构元对图像细节进行匹配 ,既能提取精细的边缘 ,又能很好地抑制噪声 .实验结果表明这种方法效果优于经典的边缘检测方法     

一种最佳结构元尺度的自适应确定算法

形态学滤波作为一种新型的非线性滤波方法已被广泛应用到边缘提取、抑制噪声等图像处理领域.形态结构元的选择作为形态学滤波的最关键问题一直以来是形态学研究的热点之一,通过对顺序形态学极值滤波运算的研究,提出了一种基于复合极值滤波的最佳结构元尺度自适应确定算法.实验结果表明,该方法能快速、准确地确定结构元的尺度大小,具有很好的形态滤波效果.     

基于形态学的红外图像边缘检测

为了提高红外图像边缘检测的性能,提出了一种基于形态学的红外图像边缘检测算法,改进了仅依靠单一方向和采用固定方向权重的边缘检测算法.通过使用多方向结构元素对图像边缘进行提取,采用方向自适应权重进行加权融合,得到图像边缘检测的结果.实验结果表明,该方法能够有效地抑制图像中的噪声,提取的图像边缘更加完整,提高了红外图像边缘检测的效果.     

基于多结构元素的数学形态学图像边缘检测

提出一种基于多结构元素的数学形态学图像边缘检测算法。利用边缘与噪声具有不同的形态,在进行边缘检测时,只需要先确定出梯度突变的像素点,然后再利用多结构元素对该像素点进行二值形态学的腐蚀操作,以确定该像素点是边缘点还是噪声点:若是噪声点则被滤除,若是边缘点则保留。为验证算法的效果,给出了本文算法和几种传统算子对图像进行边缘提取的实验结果。结果表明,该算法成功地完成了图像的边缘检测,且检测效果明显优于经典的Sobel算子和Canny算子。     

基于小波变换的SAR图像边缘提取新方法研究

由于SAR图像含有相干斑噪声，使得常规方法应用于SAR图像边缘检测时遇到了较大的困难，提出了一种新的SAR图像边缘提取方法，该方法首先用基于结构信息的统计滤波方法对SAR图像进行滤波，然后利用小波变换具有多分辨分析的特性，并结合模糊中值滤波、阈值化处理及微分梯度算子对SAR图像进行边缘提取。实验结果表明了该方法是一种有效的对SAR图像进行边缘提取的方法。     

一种基于方向形态学的图像轮廓提取方法

提出了一种基于方向形态学的图像轮廓提取新方法.该方法首先通过形态学梯度边缘检测算子实现图像的边缘检测,处理的过程中考虑到了边缘的方向信息,从而能够更好地跟踪图像中主要的边缘.最后通过滚动膨胀正确的提取物体的轮廓信息,在结构元素移动的过程中引入了方向控制条件因子,减小了计算的冗余度.实验结果表明该方法能够实现自动边缘检测与轮廓提取,精度较高.     

基于彩色形态学的图像边缘检测算法

基于对彩色图像形态学的研究,提出了一种面向HSI颜色空间的多结构元多尺度的彩色形态学图像边缘检测算法。首先借助彩色形态学的膨胀、腐蚀、开运算和闭运算给出彩色多结构交替顺序滤波算子的相关定义,同时利用交替顺序滤波器（ASF）的优势得到一种混合滤波器（HF）对图像进行滤波;其次引入一种全方位形态结构元再结合多尺度结构元的思想对图像不同方向的边缘进行提取;最后再使用信息熵对各方向的边缘进行融合得到图像整体边缘信息。实验表明,所提出的算法不仅具有良好的抗噪性,而且能够保留更多的图像细节信息。     

一种基于方向形态学的图像轮廓提取方法

提出了一种基于方向形态学的图像轮廓提取新方法，该方法首先通过形态学梯度边缘检测算子实现图像的边缘检测，处理的过程中考虑到了边缘的方向信息，从而能够更好地跟踪图像中主要的边缘，最后通过滚动膨胀正确的提取物体的轮廓信息，在结构元素移动的过程中引入了方向控制条件因子，减小了计算的冗余度，实验结果表明该方法能够实现自动边缘检测与轮廓提取，精度较高。     

基于数学形态学的图像边缘检测

图像边缘检测通常是以类似于素描图的图像表达出物体的要素和特征,其任务是使图像边缘准确定位和抑制噪声。分析了两种基于数学形态学的边缘检测技术,即基于多尺度形态梯度的边缘检测和基于形态学多级平均的图像边缘检测,并对其进行了理论分析和比较,得出了相应结论。     

图像聚类分析法用于汽车图像边缘的检测

在分析用于图像边缘检测的多尺度多方位的形态学梯度算法基础上,结合基于自组织神经网络的图像聚类分析的数据融合技术,提出了一种改进的基于形态学梯度法的汽车图像边缘检测方法.经过实验检验,与其它形态学边缘检测方法进行了比较,该方法对汽车图像边缘检测具有较好效果.     

改进形态学梯度的样条插值亚像素边缘检测方法

针对传统边缘检测算法存在定位精度低、对噪声敏感等缺点,提出一种基于形态学梯度的样条插值亚像素边缘检测方法。利用改进的数学形态学梯度算子进行边缘点的粗定位,再利用三次样条插值法对提取出的边缘图像进行插值运算,最后利用数学形态学细化算子将提取出的边缘进行细化,可有效地检测出图像边缘,实现亚像素边缘检测。实验结果表明,这种方法能准确地检测出边缘,优于传统的边缘检测方法。     

融合改进形态学和LOG算子的齿轮边缘检测

针对传统边缘检测算法在提取含噪齿轮边缘过程中,存在难以有效抑制噪声和边缘不连续不清晰的问题,提出了一种融合改进数学形态学和高斯拉普拉斯（LOG）算子的齿轮边缘检测算法。首先,用改进的数学形态学边缘检测算法和改进的LOG边缘检测算法分别对原图像进行边缘检测,得到两幅边缘检测图像。其次,对两幅图像进行4层小波分解且对得到的高、低频信息赋予一定的融合规则进行融合处理。最后,利用小波逆变换重构融合图像。实验结果表明,对比单一使用LOG算子和数学形态学算法,该算法不仅能更好抑制噪声还能得到更加清晰的图像边缘。     

一种新的基于多信息测度融合的边缘检测方法

针对高强度噪声图像, 提出了一种新的基于信息测度概念和Dempster Shafer(DS)证据理论的边缘检测算法. 利用邻域一致性、方向性和结构性3种信息测度定量描述边缘特征; 引入检测不确定性, 根据各信息测度响应分布设计基本可信度分配函数, 并利用DS合成规则加以融合; 融合后根据组合决策规则将像素分类成边缘与非边缘. 实验通过检测结果以及Pratt品质因数的分析比较, 表明该算法能够有效地区分边缘点和噪声点. 在低噪声情况下, 检测性能与传统检测方法相近; 而对于高强度噪声图像, 该方法具有较强的噪声免疫力.     

基于均衡化和数学形态学的组合边缘检测法

在研究灰度图像的边缘检测问题中，针对像素灰度值的分布特点和图像的边缘特性，提出了一种基于直方图均衡化和数学形态学法的组合边缘检测方法，能够有效地抑制噪声，提高检测精度，保护边缘细节，并且算法易于编程实现，适用于大多数的实际图像。     

基于数学形态学的彩色图像边缘检测算法

传统的基于微分算子的边缘检测算法对噪声非常敏感,而基于数学形态学的边缘检测算法具有一定的抗噪声能力.图像边缘不仅由灰度突变产生,颜色或纹理发生突变也产生边.本文考虑了颜色对图像边缘的影响,把一种灰度图像形态学边缘检测算法推广到彩色图像,并与原文献形态学灰度图像边缘检测算法、传统的形态学边缘检测算法进行了比较,实验结果表明本文的算法抗噪声能力更强,提取的边缘更加清晰、完整.