结合Wiener滤波和形态学的图像边缘检测方法

提出了一种将Wiener滤波和数学形态学相结合的图像边缘检测方法.首先用自适应Wiener滤波对含噪图像去噪,然后构造6种具有代表性的结构元素,用改进的形态学边缘检测算子对图像进行边缘检测,自适应确定权重,将多结构元的边缘检测信息加权求和,得到在噪声存在条件下较为理想的图像边缘.实验结果表明,该算法能够有效地抑制噪声,检测的边缘较清晰、连续,其检测效果优于传统边缘检测算法.     

一种基于小波变换和数学形态学的边缘检测算法

结合小波变换和数学形态学的优点,提出了一种基于小波变换和数学形态学的边缘检测算法.基于数学形态学的边缘检测,对现有的检测算子进行改进,构造了一种抗噪型边缘检测算子,并使用不同方向的线型结构元素;基于小波变换的边缘检测能有效地保留图像边缘的细节信息,使提取的边缘完整连续.实验结果表明,本研究提出的算法与几种经典边缘检测算子相比,有效抑制了噪声的影响,提高了检测的精度,对各种不同图像具有很好的鲁棒性.     

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。     

高斯-拉普拉斯边缘检测算子的扩展研究

针对经典的高斯-拉普拉斯（LOG）边缘检测算子是各向同性的，对各个角度方向的图像边缘检测的力度是相同的特性，对经典LOG边缘检测算子引入了角度信息参量进行推导，使以圆为对称的经典的LOG边缘检测算子变成为以椭圆对称，并且可以在坐标轴旋转任意角度的边缘检测算子，增强了其边缘检测的功能，使之能对不同角度方向的边缘更加有效地进行检测．经过在Matlab里对同一幅图像进行比较实验，对于图像中不同角度的边缘均能相应地进行提取．扩展后的LOG算子，不仅增强了边缘检测算法功能，而且完全保留了经典LOG算子原有的优点．     

基于改进数学形态学的含噪图像边缘检测

针对传统的边缘检测算法对含噪图像的检测效果不理想,提出一种改进的数学形态学边缘检测算法。该算法首先采用多尺度双结构元素形态学进行滤波去噪,再利用改进的多尺度多结构元素形态学边缘检测算子进行图像边缘提取。实验表明,该算法具有很强的噪声抑制能力,对含噪图像的边缘检测效果良好,提取的边缘清晰且平滑,边缘定位精度高。     

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。     

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。     

用形态学改进医学图像边缘检测算法

针对医学图像的噪声问题,在数学形态学边缘检测算子的基础上,综合多结构元素和多尺度算法的特性,提出了一种改进的边缘检测算法。该算法采用交替序列滤波器和结构元素,对数据分别进行闭运算和开运算,并且对水平、垂直和倾斜方向采用不同的权重系数进行加权,同时计算出膨胀型边缘检测算子,最后获得改进的边缘检测算子。给出了算法实现的具体步骤,使用该算法提取了MRI图像边缘,并对Lena图也进行了检测。实验表明该算法能够提高传统的形态学边缘检测方法的边缘分辨率,具有一定的实用性。     

结合PCNN和LOG算子的高分辨率遥感影像边缘检测方法

提出一种结合PCNN(Pulse-Coupled Neural Network)和LOG(Laplacian of Gaussian)算子的高分辨率遥感影像边缘检测方法。该方法首先采用中值滤波器对遥感影像进行消噪处理;然后采用PCNN模型对滤波后影像进行分割得到目标影像;最后采用LOG算子对目标影像进行边缘检测,并对边缘检测结果进行精度评价。实验结果显示,提出的边缘检测方法是一种有效地、可靠地边缘检测方法。     

一种基于融合技术的遥感图像边缘检测算法

通过讨论遥感图像的边缘特点,为提取其图像边缘,提出了一种有效的融合多种方法的新的边缘检测算法算法针对遥感图像对象的复杂性、高边缘密度、噪声明显等特性,融合了滑动窗口技术、多阈值技术和模糊增强方法对遥感图像进行了边缘强化,最后利用模糊形态学算子进行了边缘提取实验表明,利用多方法融合,不仅可以弥补单一方法的缺点,还能提高边缘检测的精度,保留更多边缘细节     

一种遥感影像混合噪声二阶去除方法

遥感影像去噪对于影像后续的使用和研究具有重要意义。高斯噪声与椒盐噪声是影像中常见的噪声,目前的去噪算法对于这类混合噪声普遍存在去噪效果不佳、去噪后影像边缘模糊等缺点。针对以上问题,本文提出了一种遥感影像混合噪声二阶去除方法。该方法第一阶段是在DnCNN网络框架的基础上引入扩张卷积来增加网络的感受野,便于在遥感影像中提取更多的特征信息;同时在深卷积层后引入DropoutLayer层构建降噪模型,以防止网络出现过拟合,简化训练难度,然后使用该模型对影像进行初步降噪。为进一步提高初步降噪结果的影像质量,有效去除混合噪声中的椒盐噪声,保留更多的影像边缘细节及纹理特征,该方法第二阶段是在自适应中值滤波的基础上采用最近邻域像素加权中值替换原滤波窗口中值,对初步降噪结果进行二次处理,得到遥感影像混合噪声最终去噪结果。为验证算法的可行性和有效性,本文进行了遥感影像去噪实验及去噪影像边缘检测实验。分析实验结果,无论从主观视觉还是客观评价指标上进行对比,本文提出的方法对于遥感影像混合噪声去噪效果优于传统去噪方法,并且能够较好的保留影像边缘细节及纹理特征,获得更清晰的影像结果。     

基于梯度倒数的无人机遥感图像融合滤波方法

为了实现对无人机遥感图像去噪处理时兼顾滤波和边缘保持效果,提出了一种基于梯度倒数的无人机遥感图像融合滤波方法——梯度倒数自适应开关均中值滤波。首先计算出模板内中心像素点与邻近像素点的梯度导数;然后选取局部梯度变化阈值,并定义标志数组来标记各像素点是否超过梯度变换阈值。最后,如果当前滤波像素点超过梯度阈值,则采用提出的自适应开关均中值滤波;否则采用梯度倒数加权平滑方法处理。该方法结合了图像的梯度信息,利用图像的连通性和相关性原理以及自适应开关均中值滤波算法去噪的优点,在去除高斯噪声和脉冲噪声同时可以很好地保持图像的边缘和细节信息。实验结果表明:与传统梯度倒数加权平滑方法相比,算法滤波后图像的平均梯度提升3. 16%,MSE下降了约5%,可以有效提升滤波后无人机遥感图像质量,应用价值明显。     

基于空间形态特征遥感边缘信息的提取方法

边缘信息是地物间波谱差异的反映.仅仅考虑灰度差异并不能满足专题信息-地物边缘提取的需要.加入地物的空间形态特征依据,可以使边缘信息提取更准确.在灰值形态学梯度算法和多方位形态结构元素形态学理论分析基础上,提出了提取遥感图像边缘信息的新方法.叙述了结构元素的设计和边缘提取过程,给出了应用实例并得到良好的视觉效果.     

基于遥感影像的重要地物的变化检测和标注

破坏性灾害会造成巨大危害和损失,灾后一定时间内由于信息匮乏,使得对了解灾情和救灾都极为不利。为了及时获取灾区建筑物、道路、桥梁、水库等重要地物的倒塌和毁坏信息,本文给出了一种可自动识别和标注灾害前后遥感图像差异区域的方法。首先对时序遥感影像通过BM3D方法去除高斯噪声,然后利用SIFT方法进行图像配准,通过对差分图像采用Wv_Canny边缘检测方法获得差异区域重要地物的边缘信息,最后识别并标注出发生变化的重要地物,真实遥感图像实验结果按建筑物变化面积比较,正确率78~79%,误检率21~22%,无漏检率。仿真试验和实际遥感影像处理表明：本文方法可有效识别和标注建筑物等重要地物的差异区,有利于灾后破坏性地物的及时了解和救助工作。     

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。     

基于注意力机制和感知损失的遥感图像去噪

遥感图像去噪对于遥感图像在后续的分类、检测等任务中有着非常重要的作用.为了让去噪后的图像更好地保留边缘细节信息,同时增强深度网络对噪声污染区域的辨识能力,本文结合注意力机制以及感知损失来处理遥感图像,提出了一种新的基于残差自编码器的遥感图像去噪网络ARED-VGG.考虑到遥感图像中不同地物大小不同,该网络首先同时使用图像的空间和光谱信息来提取多尺度特征;然后使用残差自编码器网络结构来进行图像空间-光谱多尺度图像重建.为了增加网络的辨识能力,更多地关注网络中提取的高频特征,网络引入了注意力机制.同时为了让去噪后的结果更符合视觉感观,使用了感知损失混合均方误差作为损失函数.从实验结果知,本文所提出的方法在噪声去除和纹理细节保留方面与NLM3D、BM4D、LRMR、HSID-CNN和3DADCNN相比表现更优.在Washington DC mall遥感图像数据集上进行了仿真实验,平均峰值信噪比以及平均结构相似性指标都有较好的结果;在AVIRIS Indian Pines数据集上进行了真实数据实验,以去噪后的结果地物分类指标作为验证,整体分类精度以及Kappa系数分别为96.90%和0.9647;对网络结构进行了消融实验,在两个数据集下,本文所提出的网络结构都能获得更优的结果.本文提出基于注意力机制和感知损失的深度神经网络进行遥感图像去噪,提高了网络的辨识能力,实现了良好的去噪性能,并且有效保持了图像的细节信息和光谱信息.     

基于分形和数学形态学的TIG焊熔池图像分析

焊接图像中不可避免地存在烟尘和弧光等干扰造成的噪声,而传统的图像处理方法对噪声非常敏感,因此很难准确地对焊接图像进行处理.文中提出了一种基于分形和数学形态学理论的综合图像处理方法.该方法利用分形理论中的离散分数布朗随机场理论得到按分形维分布的熔池灰度图像,然后利用二值形态学中的连通域检测去除噪声并得到目标图像,进而利用形态学中的开运算和闭运算得到图像的强连通边界.试验结果表明,该方法能够快速、准确地检测熔池的边缘、高度、宽度以及面积等信息.     

多孔小波和非下采样滤波器组去除遥感图像的多种噪声

结合àtrous小波变换和非下采样轮廓波变换的优点,提出一种基于àtrous 非下采样轮廓波变换的遥感图像去噪方法.该方法用非抽取离散小波变换的àtrous算法对图像进行多尺度分解,然后用非下采样的多方向滤波器组对得到的细节分量进行多方向分解.对含有多种噪声的遥感图像,àtrous 非下采样轮廓波变换将图像中不同种类的噪声分解到不同的小波系数分量中,使得可以根据噪声特性选择最合适的去噪方法,比用一种方法去除所有类型的噪声更科学且去噪效果更好.