图像边缘分割算法的优化研究与仿真

研究图像边缘分割问题,提高分割的准确性.针对图像中物体像素与其边缘像素容易发生像素粘连,粘连部分由于发生像素灰度混合,造成像素差异极小,传统的基于灰度的边缘检测算法由于不能很好的区分粘连部分的灰度差异,不能完整检测图像边缘的问题.提出了一种离散余弦变换(DCT)和数学形态学边缘分割算法.通过对提取过的特征图像在同一尺度下用多个结构元素分别对图像进行边缘分割,经过合成得到多尺度多结构元素形态学检测的边缘图像,摆脱分割算法对像素灰度的依赖.仿真结果表明:方法具有较好的抗干扰性和定位准确性,分割的边缘更为完整准确,取得了令人满意的效果.     

基于形态学多结构元多尺度的自适应边缘检测

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,提出了用不同方向的结构元素对图像进行多尺度检测的自适应边缘检测方法;首先利用形态学高低帽运算对原始图像进行平滑处理,采用差分最大值确定结构元素的方向,利用形态学运算调整结构元素尺度,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.     

常用边缘检测技术的对比

边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点.经典的边缘检测算法如canny算子等是通过计算图像中局部小区域的差分来实现边缘检测的.这类算子对噪声非常敏感,并且常常会在检测边缘的同时加强噪声.多尺度形态学边缘检测利用不同的结构元素去作用图像,通过形态腐性和形态膨胀操作,获得了效果很好的图像边缘检测算法.单尺度形态学梯度算子也能很好提检测图像边缘,但结构元素的选取对输出结果影响较大.通过使用多尺度形态学梯度算子,可以弥补结构元素的大小问题.仿真结果表明,该算法能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法.     

一种基于改进算子的形态学边缘检测算法

针对传统的边缘检测算法存在的不足,文中基于修正的边缘检测算子和形态滤波思想,采用多尺度和多结构元素,提出了一种新的多结构多尺度形态学灰度图像边缘检测算法,通过构造新算子实现边缘检测。在该算法中,分别将各个结构元素下的检测结果进行加权求和,得到图像的边缘。实验表明,和其他的传统或形态学边缘检测算法相比,文中方法具有更好的噪声抑制能力,而且边缘定位准确,检测到的边缘轮廓更加清晰完整。     

自适应权重形态学边缘检测算法仿真研究

提出了一种自适应权重的多刻度形态学边缘检测算法。该算法首先在同一尺度下用多个结构元素分别进行边缘检测,并得到该尺度下的边缘图像,利用形态学结构元素“探针”原理和不同尺度结构元素抗噪性能来确定加权值的大小,然后对不同尺度下的边缘图像进行加权求和,再经过二值化、去噪等处理,得到最后的边缘检测结果。仿真结果表明,该方法具有较好的抗干扰性和定位准确性,得到的边缘更为完整。     

基于形态学和梯度重构的车牌图像分割方法*

提出一种多尺度形态学检测边缘和梯度重构的快速车牌图像分割算法。该方法是基于多尺度的概念,进行梯度重构时采用不同尺寸的结构元素。运用开闭运算进行梯度重构,对重构后的各梯度图像进行阈值优化,对重构后梯度图像进行修改;利用分水岭算法检测目标,通过车牌的几何特性（宽高比、矩形面积等）从这些目标候选区域中剔除虚假牌照,找到真正的牌照。实验结果表明,该方法能取得较好的分割效果。     

关于图像识别边缘检测算法仿真研究

针对图像的边缘检测算法抗干扰性能差的缺点,为对图像特征进行准确识别,抑制噪声干扰,提出了一种多刻度数学形态学边缘检测算法.算法首先在同一尺度下用多个结构元素分别对图像进行边缘检测,经过合成得到尺度下的边缘图像.可对不同尺度下的边缘图像加权求和,再经过二值化、去除噪声等处理,最终得到多尺度多结构元素形态学检测的边缘图像.最后在Matlab仿真环境下进行仿真,分别以原始图像和噪声干扰图像为对象进行仿真,仿真结果表明:方法具有较好的抗干扰性和定位准确性,得到的边缘更为完整、细节更为明显的效果.     

数学形态学的边缘检测算法研究

边缘检测是图像处理与模式识别的一个重要图像预处理过程。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,最后把各方向边缘融合得到图像边缘。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像的边缘。     

基于数学形态学的自适应边缘检测新算法

考虑到在形态学中,不同形状的结构元素和不同尺度的元素在去噪声和保持图像细节方面的作用是不同的,提出了一种基于多结构多尺度自适应形态边缘检测算法。对一般边缘检测算子做了改进,增加了边缘细节信息。通过计算检测后的边缘信息熵,自适应确定权值系数。将多结构元素检测的边缘和多尺度元素检测的边缘做融合处理,得到最终的图像边缘。实验结果表明,与几种经典边缘检测算法相比,所提出的算法能有效地抑制图像的多种噪声对边缘检测的影响,较好地保持图像边缘细节,自适应提取完整连续边缘。     

基于轮廓结构元素形态学的多尺度边缘检测

提出一种改进的基本轮廓结构元素形态学的多尺度边缘检测的方法。用基于轮廓结构元素的形态学提取多尺度下的图像边缘,然后加权融合,采用非极大值抑制算法细化边缘。该方法在有效抑制噪声的同时保护了图像的细节。实验结果证明该方法在提取受噪声污染的图像的边缘时非常有效。     

基于形态学重建和梯度分层修正的分水岭脑肿瘤分割*

针对脑部核磁共振成像(Magnetic Resonance Imaging, MRI)图像中因噪声、灰度不均匀及边界模糊不连续等造成肿瘤难以准确分割的问题,提出一种基于形态学重建和梯度分层多尺度修正的分水岭分割方法。首先对原始图像进行形态学混合开闭重建以平滑去噪,同时保留目标轮廓信息;然后根据梯度图像的三维地貌体积对其进行分层多尺度修正,自适应地确定修正所需的结构元素尺寸,对低梯度层级采用较大尺寸结构元素进行闭运算修正,消除产生过分割的非规则局部极小值,而对较高梯度层级则采用较小尺寸的结构元素,保持区域轮廓的位置不变;最后在修正基础上,运用标准分水岭变换实现图像分割。实验结果表明,该方法与标准分割的相似度指数和Jaccard指数均较高,且过分割率和欠分割率均较低,具有较好的分割效果。     

基于多尺度形态滤波的分水岭图像分割方法

采用多尺度形态滤波器对输入噪声图像及滤波后图像的梯度图像进行平滑，实现了消除噪声、简化图像、保持物体重要轮廓信息的作用．最后，给出一种改进的快速区域合并算法优化分割结果．实验证明，采用文中分割方法可以获得很好的分割结果。     

基于形态学多尺度修正的模糊C均值脑肿瘤分割方法

针对脑部核磁共振成像(MRI)图像因噪声、灰度不均匀、组织结构复杂及边界模糊不连续等造成肿瘤难以准确分割的问题,提出一种基于形态学多尺度修正的模糊C均值(FCM)聚类分割方法。首先根据邻域统计信息引入控制参数用于区分邻域中的噪声点、边缘点和区域内部点,结合空间位置信息建立像素与结构元素大小之间的函数关系;然后利用不同大小的结构元素对图像中不同类型像素进行形态学闭运算,消除对应于局部极小值的噪声干扰和非规则细节,而目标部分的区域轮廓位置基本保持不变;最后在修正基础上进行FCM聚类分割,避免FCM陷入局部极优和误分类,同时保持区域轮廓准确定位。与标准FCM、核FCM(KFCM)、遗传FCM(GFCM)、模糊局部信息C均值(FLICM)等改进方法以及专家手工勾画结果进行了对比,实验结果表明,该方法的过分割率和欠分割率较低,且与标准分割的相似度指数和JS值均较高,具有较好的分割效果。     

基于多尺度局部特征的图像分割模型

为了解决图像分割中灰度不均匀和初始轮廓敏感的问题,提出一种基于多尺度局部特征的图像分割模型.与传统局部邻域定义在方形区域不同,该模型采用圆形区域来获取更多的局部信息;考虑到局部区域灰度的变化程度不一,提出利用多尺度结构与均值滤波器相结合的方法获得多尺度局部灰度信息;通过转换灰度不均匀模型得到一个逼近真实信息的图像,并将其融合进局部高斯分布拟合(LGDF)模型,构造出基于多尺度局部特征的能量泛函.从理论分析和实验结果表明:由于多尺度结构弱化了灰度不均匀的影响,该模型既能快速、准确地分割灰度不均匀图像,又表现出对初始轮廓具有较强的鲁棒性.     

一种基于Graph Cuts的多尺度乳腺肿块分割方法

提出一种基于Graph Cuts的多尺度乳腺肿块自动分割方法.首先,应用区域统计融合方法对图像进行粗分割,将得到的粗轮廓作为后续Graph Cuts分割的初始轮廓.在迭代优化阶段,引入多尺度分析方法,以高斯金字塔分解得到的多尺度图像序列代替固定尺度的原始图像序列估计高斯混合模型(GMM)参数,将粗糙尺度的易分割性与精细...     

基于图像分层树的图像语义分割方法

针对传统语义分割模型缺乏空间结构信息,无法准确地描述对象轮廓的问题,提出了一种基于图像分层树的图像语义分割方法。分层树模型采用结构森林方法生成轮廓模型,为防止过度分割,运用超度量轮廓图算法得到多尺度轮廓图,然后利用支持向量机训练多尺度轮廓图生成图像分层树,通过随机森林精炼分层树,最终输出图像语义分割结果。在测试实验中,像素精确度达到82.1%,相比区域选择方法(Selecting Regions)提升了2.7%。并在较难区分的树和山脉的预测精确度上,相比层次标记方法(Stacked Labeling)分别提升了16%,25%,具有更高的稳定性。实验结果表明,在复杂的室外环境下,对图像语义分割的精确度、稳定性和速率均有明显改善。     

结合显著性的主动轮廓图像分割

传统的主动轮廓方法无法突出分割区域的显著性,同时在由显著性检测算法所得到的显著图中目标具有较高的信噪比,因此提出结合显著性的主动轮廓图像分割。通过线性光谱聚类分割得到超像素,以超像素为处理单位利用基于图论的流形排序算法获得较好的显著图;将高斯混合模型引入到主动轮廓的曲线演化过程中,计算曲线内外的平均灰度值,从而通过高斯混合模型和显著性信息得到了新的主动轮廓能量方程,并运用水平集方法指导分割,获得最终的分割结果。实验结果表明,提出的图像分割方法可以对图像进行快速和有效的分割。     

C-V模型在红外视频火灾图像分割中的应用

针对大空间中红外视频火灾图像边缘模糊,不易准确分割问题,研究了一种基于背景差分和C-V模型的分割方法。通过背景差分得到运动图像;利用形态学处理得到完整的运动区域,并获得其外接矩形;以外接矩形作为C-V模型的初始轮廓曲线进行分割,得到封闭、完整的运动目标轮廓。该算法避免了对整幅图像分割,减少了运算量。通过实验仿真并与阈值分割算法比较,证明了该算法的准确性和有效性,有利于下一步火灾特征提取与识别。     

基于数学形态学和区域合并的医学CT图像分割*

针对传统分水岭算法分割腹部CT图像存在的过分割情况,提出了一种基于形态学优化和区域合并的分水岭分割算法。该方法先利用多尺度数学形态学方法检测出梯度图像,并用形态学重构去除细密纹理和噪声引起的局部极值,然后进行分水岭变换。为了产生有意义的分割,采用简单的区域灰度均值对变换后的图像进行有效的合并。实验结果表明,该方法能有效解决分水岭算法的过分割问题,得到较好的分割效果。     

基于形态学梯度重构和标记提取的分水岭图像分割

为了解决传统分水岭算法的过分割问题,提出一种使用形态学梯度重构和标记提取技术进行图像预处理的分水岭图像分割方法。该方法基于多尺度概念,进行梯度重构时采用了不同尺寸的结构元素,在对重构后的各梯度图像的区域极小值进行标记后,将各标记点的并集作为最终标记图像,用其修改梯度图像,然后进行分水岭变换,实现图像的区域分割。实验结果表明,该方法既能有效解决分水岭算法的过分割问题,又保留了各尺度下的重要目标,并且可以根据图像特点和具体的分割要求,调整分割过程中所选参数,得到满意的图像分割效果。