图像边缘检测的分数阶微分算子研究

针对常用整数阶微分边缘检测算子不能较好保持图像纹理细节的不足,在4-方向的Roberts算子、Prewitt算子和Sobel算子的基础上利用0~1阶分数阶微分替换一阶微分,构造了3种用于图像边缘检测的0~1阶分数阶微分新算子。实验结果表明,所构造的3种分数阶微分算子不仅能有效地提取出图像的边缘信息,而且还能较大程度地保留图像的纹理细节。检测效果优于常用整数阶微分算子及现有的一些0~1阶分数阶微分算子。     

整数阶滤波的分数阶Sobel算子的边缘检测算法

针对传统的整数阶微分图像边缘检测算子存在的边缘模糊不清、受噪声影响大等问题,该算法从改进传统的整数阶微分Sobel算子入手,以分数阶微分理论为基础推导出了分数阶微分Sobel算子,结合Sobel算子边缘检测方法,将整数阶微分Sobel算子作为滤波器与分数阶微分Sobel算子作卷积运算,改进了整数阶微分Sobel算子。整数阶微分滤波后的分数阶微分Sobel算子成功地解决了传统的边缘检测算子存在的准确性低、抗噪性差等问题。理论研究与实验结果表明,该边缘检测算子对图像的边缘细节特征刻画得更精细,抗噪性更强,优于常用的整数阶微分边缘检测算子,边缘检测效果很好。     

基于分数阶微分的图像增强

通过理论分析得出分数阶微分可以大幅提升信号高频成分,增强信号的中频成分、非线性保留信号的甚低频,据此得出分数阶微分应用于图像增强将使图像边缘明显突出、纹理更加清晰和图像平滑区域信息得以保留的增强图像;然后由经典的分数阶微分定义出发,推导出了分数阶差分方程,构建了近似的Tiansi微分算子.通过图像增强的实验表明:采用基于分数阶微分算子的图像增强方法,其增强图像的视觉效果明显优于传统的微分锐化(整数微分)方法.文中方法为拓展分数阶微分的应用领域进行了有意义的探索.     

基于分数阶微分的高斯噪声图像信息提取算法

考虑分数阶微分对信号处理的性质与特点,提出一种基于分数阶微分的信息提取算法。首先针对各种系数高斯噪声的图像进行信息提取,并与Roberts、Prewitt、Sobel整数阶经典算子对图像信息提取的结果进行分析比较。实验证明,利用分数阶微分不但能提取整数阶算子的高频边缘信息,还能提取平滑区域的纹理信息,并对高斯噪声具有一定程度的抗噪性。     

用分数阶微分提取图像边缘

文章是分数阶微分在图像处理中的尝试性应用。首先通过理论上分析得出分数阶微分可以大幅提升信号高频成分,增强信号的中频成分,非线性保留信号的甚低频。据此分析得出分数阶微分应用于图像边缘信息提取将获得高于传统基于一、二阶微分的方法的信噪比。然后由经典的分数阶微分定义出发,推导出了分数阶差分方程,构建了近似的分数阶Tiansi微分模板。最后通过图像边缘提取的实验表明：基于分数阶微分算子不仅可以有效提取图像边缘,而且比整数阶微分算子具有更高的信噪比。为拓展分数阶微分的应用领域,进行了有意义的探索。     

基于Riemann-Liouville改进的1~2阶分数阶边缘提取新模型

针对数字图像的处理中采用整数步长与0~1阶分数阶微分的掩模算子未能精确定位边缘信息、缺少图像的纹理细节的问题,在Laplacian算子的基础上提出了一种新的边缘检测掩模算子。该算法从Riemann-Liouville(R-L)定义出发,推出1~2阶分数阶微分在中频信号的增强效果优于0~1阶分数阶微分并显著提升了高频信号,最终得到精确的检测效果。仿真结果表明:提出的算子能更好地提取边缘信息,尤其对灰度变化不大的平滑区域中纹理细节丰富的图像,该算子检测到的信息优于现有0~1阶微分算子,针对主观识别有更高的准确率;客观上采用扫描法的定位误差统计,该算子的综合定位误差率为7.41%,低于整数阶微分算子(最低为10.36%)与0~1阶微分算子(最低为9.97%),有效提高了边缘定位精度。该算子尤其适用于具有较高频信息的图像边缘检测中。     

自然环境下路面裂缝的识别

论文提出了一种基于分数阶微分和图像形态学的路面裂缝检测算法.分数阶微分能有效增强信号中、高频部分,非线性保留信号的低频部分,通过构建分数阶微分掩模算子,增强裂缝信息特别是平滑区域中弱信号信息.利用图像形态学算子提取裂缝,通过组合中值滤波去除孤立噪声点.实验结果表明,该算法比传统算法能更有效地检测出细小裂缝信息,是一种具...     

一种新的分数阶微分的图像边缘检测算子

为了提取出更加精确和细微的边缘信息,同时为了具有更好的抗噪性能,提出了一种新的分数阶微分梯度算子。根据Riemann-Liouville分数阶微积分定义,推导出了非整数步长的分数阶微分方程,并采用拉格朗日插值方法确定非整数步长像素点的灰度值,进而构造出八个方向的微分掩模,实现了图像边缘检测。实验表明,该方法更好地利用了图像的自相关性,比传统的边缘检测算子能更好地提取图像边缘细节,且对噪声具有更好的鲁棒性。     

基于分数阶微分和Sobel算子的边缘检测新模型

现有的边缘检测算法对噪声敏感,检测到的图像边缘效果不够理想,得到的图像边缘有可能模糊不清。为了克服这些不足,以分数阶微分理论为基础,结合Sobel算子边缘检测方法,提出了一种基于分数阶微分和Sobel算子的边缘检测新模型。理论研究和实验结果表明,与现有方法相比较,该模型不仅能较好地提取图像边缘特征,而且对噪声具有一定的抑制作用;特别地,对于纹理细节较丰富的图像而言,该模型能够检测出更多的纹理细节信息,优于常用的整数阶微分方法,是一种有效的边缘检测方法。     

基于分数阶偏微分的图像边缘检测新模型

现有的图像边缘检测方法效果不太理想,得到的图像边缘可能模糊。针对此问题,将分数阶微分理论和现有的Laplacian算子方法相结合应用于图像边缘检测,提出了一种基于分数阶偏微分的图像边缘检测新模型。实验结果表明,相比现有的整数阶微分边缘检测方法,该模型不仅能较好地检测出图像的边缘特征,而且对噪声具有一定的抑制作用,尤其对于纹理细节丰富的图像而言,能够检测出更多的纹理细节信息,是一种比较有效的边缘检测方法。     

基于分数阶微分和形态学多级合成的岩石节理裂隙图像分割

岩石节理裂隙形状复杂且无规则,图像中带有大量噪声,利用传统的图像分割方法很难达到很好的分割效果。提出了一种基于分数阶微分和数学形态学多级合成的边缘检测方法。首先对岩石裂隙图像进行噪声滤除、图像分割、空腔填充、短枝去除等操作,然后使用分数阶微分的方法进行预处理,最后采用改进形态学多级合成方法得到结果。实验结果表明,该方法与传统算子相比,对岩石节理裂隙图像具有较好的边缘检测能力和抗噪性。     

基于分数阶微积分的噪声检测和图像去噪

目的 提出一种利用分数阶微分梯度检测图像中的噪声点,并用于改进基于分数阶积分的图像去噪算法性能的算法。方法 该算法首先使用不同方向的分数阶微分梯度模板与含噪声图像进行卷积,计算出图像在不同方向上的分数阶微分梯度,依据预先设定的阈值获得不同方向的分数阶微分梯度检测图,将在所有选定方向上梯度都发生跳变的像素点判定为噪声点;然后只对被检测出的噪声点,在8个方向上进行分数阶积分运算完成去噪处理。结果 通过在人工图像中分别添加高斯噪声和椒盐噪声以及在自然图像中分别添加高斯噪声和椒盐噪声的去噪对比实验得出相同结论,即只对图像中检测出的噪声点使用分数阶积分运算进行去噪有更好的去噪性能,获得了更好的视觉效果和更高的峰值信噪比。结论 实验结果表明,基于分数阶微分梯度的噪声检测算法对解决图像去噪和保留图像纹理细节之间的矛盾有所帮助。随着对基于分数阶微分梯度噪声检测方法研究的深入,对图像中噪声检测的准确度会进一步提高,这将提供一种用于改进目前去噪算法性能的研究方向。     

分数阶微分的婴幼儿脑MR图像增强算法

目的 由于传统的分数阶微分算法本质是提高相邻像素点的灰度差,达到增强对比度的作用,但是同时会放大和产生噪声,这容易使婴幼儿脑MR图像的增强效果有限或过增强。为了解决上述问题,提出一种融合非局部均值信息的自适应分数阶微分的婴幼儿脑MR图像增强算法。方法 用平均梯度和大津算法自适应确定分数阶阶数,融合纹理粗糙度确定初始的分数阶阶数。为了进一步抵制噪声等干扰,利用更大邻域的纹理信息,融入非局部思想确定分数阶微分的阶数。最后用最终的分数阶阶数对图像进行滤波,得到最终的增强图像。结果 实验通过信息熵、平均梯度和空间频率指标统计结果证明本文算法具有优越的图像增强性能。信息熵指标能够高出对比算法0.2%~12%,平均梯度指标能够高出对比算法5%~59%,空间频率指标能够高出对比算法6%~59%。结论 本文算法可以在增强纹理细节及抑制分数阶微分引入噪声方面都取得较好的效果。本文算法也适用于普通的模糊图像,具有良好的应用背景。     

基于分数阶偏微分方程的图像去噪新模型

将分数阶微分理论和全变分方法相结合应用于图像去噪,提出了一种基于分数阶偏微分方程的图像去噪新模型。该模型很好地继承了现有的全变分(TV)模型去噪效果与保持图像边缘细节特征的优点,同时利用分数阶微分运算特有的幅频特性优势,较好地保留了图像平滑区域中灰度变化不大的纹理细节。实验结果表明：一方面,与现有去噪方法相比,新模型不仅具有较强的抑制噪声能力,而且能较好地保持图像边缘特征,还能保留更多的图像纹理细节信息,优于常用的整数阶偏微分图像去噪方法;另一方面,从峰值信噪比的对比实验可以看出该模型去噪效果优于其他方法,较好地达到了去噪目的,是一种有效、实用的图像去噪模型。     

结合分数阶微分和图像局部信息的CV模型

目的 由于CV模型仅利用了图像的全局信息,其对灰度不均匀图像的分割效果不理想,同时在分割弱边缘和弱纹理图像时,优化易陷入局部最优从而导致分割效率低下,且对初始位置的选择较为敏感。针对这些问题,提出一种结合分数阶微分和图像局部信息的CV模型。方法 首先将分数阶梯度信息融入图像的局部信息中,用来替代CV模型的整数阶全局信息,并建立自适应计算分数阶最佳阶次的数学模型,然后在模型中加入符号距离的约束项。结果 一方面,用局部信息代替全局信息,可以在一定程度上解决CV模型对灰度不均匀图像分割效果不理想的问题。另一方面,将Grünwald-Letnikov分数阶梯度信息融合到局部信息中,当分数阶阶次0 < α < 1时,增加了图像灰度不均匀、弱边缘、弱纹理区域的梯度信息,从而增加了演化驱动力避免演化曲线陷入局部最优,有效地解决了图像因灰度变化不大导致演化曲线驱动力小的问题,在一定程度上解决了模型对初始轮廓位置选择和对噪声敏感的问题。同时为了解决人工选取最佳分数阶阶次费时费力的问题,根据图像的梯度模值和信息熵建立计算分数阶最佳阶次的数学模型,将此自适应分数阶模型应用到算法之中,以自适应确定最佳分数阶阶次。此外,为了避免模型的重新初始化,在模型中加入符号距离的约束项,从而提高了曲线的演化效率。结论 理论分析和实验结果均表明,该算法能够较好地分割灰度不均匀、弱边缘和弱纹理区域的图像,并能根据图像特征自适应确定最佳分数阶阶次,提高了分割精度和分割效率,且对初始轮廓位置选择及噪声均具有一定的鲁棒性。