形态学高帽变换与低帽变换功能扩展及应用

数学形态学广泛应用于图像处理和模式识别领域。对形态学高帽变换与低帽变换功能进行扩展,提出了假高帽变换的概念和低帽变换的新方法。用形态学滤波对原始图像进行平滑处理,由形态学膨胀运算调整结构元素尺度,依据检测图像边缘熵确定权值进行融合。改进了传统形态学边缘检测算法,改善了亮背景上暗物体的边缘提取,对数字图像进行处理,满足了实际需求。实验结果表明,该算法能有效抑制噪声,且边缘清晰准确,效果优于经典的边缘检测算法。     

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.     

一种基于数学形态学的边缘检测方法

基于微分算子的边缘检测方法存在抗噪性能弱等缺点,非线性的数学形态学边缘检测可以克服这些缺点,而使用单一结构元素对图像进行形态学处理会模糊很多细节。鉴于这些不足,运用多结构多尺度的思想,将形态学的滤波和边缘检测结合起来,提出一种边缘检测方法,首先采用多结构多尺度的方法对噪声图像进行串联开闭滤波,再利用改进的多结构元素的形态学梯度算子进行边缘提取。实验结果表明,该方法具有较好的抗噪效果且提取的边缘比较平滑。     

高分辨率遥感影像的形态学边缘检测算法

结合高空间分辨率遥感影像的特点,利用数学形态学方法,选取具有不同尺度和包含全部方向的结构元素,设计一种多尺度全方位形态学边缘检测算法,并采用峰值信噪比方法代替均值以自适应地确定尺度权重.实验结果表明:与传统Canny算子和结构元素尺度形状单一的形态学边缘检测算法相比,本算法解决了噪声抑制和精细边缘提取的矛盾,检测出的图像边缘清晰,而且抗噪性能强.边缘检测结果可用于遥感影像地物几何特征和纹理特征提取.     

基于改进形态学算子的多尺度边缘检测

图像边缘检测的关键是在尽量多地检测到图像边缘的同时更有效地抑制噪声,为此提出了一种新的基于轮廓结构元素的多尺度形态学边缘检测方法。该方法重新组合了基于轮廓结构元素形态学各种运算的优点,实现了一种改进的形态学算子;在此基础上利用改进形态学算子的多尺度运算定义了一种新的边缘检测算子。与其他形态学方法相比,文中方法不仅具有更好的噪声抑制和边缘细节保护功能,而且对结构元素的形状不敏感。     

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.     

改进的形态学和小波变换边缘检测算法研究

针对传统数学形态学边缘检测算法存在的图像噪声干扰、边缘分辨率较低等问题,提出了一种基于数学形态学与小波变换方法相结合的边缘检测改进算法。在小波域中,对图像分解的弱边缘进行适当的加强,对低频系数采用模极大值法进行边缘处理,对边缘细节比较多的高频系数采用基于多尺度的双结构元素数学形态学算法进行边缘检测,最终得到图像的完整边缘。实验结果表明与传统的小波变换边缘检测法以及数学形态学边缘检测等方法相比,此种算法更能有效提取准确的边缘信息,而且又具有很强的抗噪性,是一种有效的边缘检测方法。     

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。     

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.     

基于多结构元多尺度的形态学边缘检测

在形态学梯度边缘检测算子的基础上,针对图像中的几何特征和噪声提出了一种基于多结构元、多尺度的边缘检测方法,用不同取向的结构元素对图像进行多尺度检测,并综合各尺度下的边缘.得到了噪声存在下的理想边缘.实验表明,文中的方法边缘定位准确、轮廓清晰,保留了更多的图像细节,具有较强的抗噪能力.     

Analysis of new top-hat transformation and the application for infrared dim small target detection

To improve the performance of top-hat transformation for infrared dim small target detection in a simple and effective way, the definition, properties, multi-scale operations of new top-hat transformation and the application for infrared dim small target detection are addressed in this paper. The definition of new top-hat transformation uses two different but correlated structuring elements to reorganize the classical top-hat transformation, and takes into account of the difference information between the target and surrounding regions. Given this definition, the new top-hat transformation has some special properties and three types of multi-scale operations, which are discussed in detail. Subsequently, one application case of multi-scale operation for noise suppression is given. Good performance of the application for infrared dim small target detection is obtained, which could be ascribed to the proper selection of structuring elements based on the properties. The experimental results of the application demonstrate that new top-hat transformation can detect infrared dim small target more efficiently than classical top-hat transformation and some other widely used methods.     

A pseudo top-hat mathematical morphological approach to edge detection in dark regions

Edge detection is an important pre-processing step in image segmentation. Conventionally, edges are detected according to gradient property, then processed by the thresholding technique. By such an approach, fine edge details in dark region of the image are eliminated. It is annoying sometimes as they are as useful as those in bright region, although this is caused by unevenly distributed lighting in many machine vision applications. In this paper, a novel mathematical morphological edge detection algorithm, based on pseudo top-hat transformation which is derived from top-hat transformation, is proposed to preserve these edge details as well as prominent ones. The algorithm is also presented in detail. Comprehensive experimental results show that the proposed algorithm is efficient for edge details extraction in place of shading while preserving distinguish features.     

改进力场转换理论的多尺度图像边缘检测算法

为了提高多尺度边缘检测算法的定位精度,更好地抑制图像中的噪声和细节,将改进力场转换理论与多尺度图像边缘检测算法相结合,提出了改进力场转换理论的多尺度图像边缘检测算法。新算法计算每个尺度下图像中各像素点的内积能量值,利用内积能量值计算各个像素点间的引力;采用自适应阈值得到每一尺度下图像的边缘;在小尺度的检测结果下定位,执行由粗到细的边缘跟踪,得到最终的边缘结果。实验结果表明,新算法可以有效地抑制噪声,提高边缘检测的定位精度。     

Morphological image fusion using the extracted image regions and details based on multi-scale top-hat transform and toggle contrast operator

Remaining useful information of the original images in the fusion image is very important in image fusion. To be effective for image fusion, a multi-scale top-hat transform and toggle contrast operator based algorithm using the extracted image regions and details is proposed in this paper. Top-hat transform could extract image regions, and operations constructed from toggle contrast operator could extract image details. Moreover, multi-scale top-hat transform and toggle contrast operator could be used to extract the effective image regions and details at multi-scales of the original images. Then, the extracted image regions and details are imported into the final fusion image to form the effective fusion result. Thus, the proposed multi-scale top-hat transform and toggle contrast operator based algorithm is an effective image fusion algorithm to keep more useful image information. The combination of the top-hat transform and toggle contrast operator for effective image fusion is the main contribution of this paper, which is the extension of the previous work using only the toggle contrast operator for edge preserved image fusion. Experimental results on multi-modal and multi-focus images show that the proposed algorithm performs very well for image fusion.     

多尺度唐墓室壁画病害标记及修复技术研究

古代壁画虚拟修复包括病害标记与缺损信息填充两部分。病害标记结果为虚拟修复建立先验模型,标记区域为图像信息缺损部分,未标记区域为有效信息源,修复过程为有效信息向缺损区域扩散的过程。依据唐墓室壁画的病害分类标准,采取多尺度病害标记,利用形态学高帽、低帽算子设计多尺度结构元素对病害进行标记,形成龟裂、裂隙、裂缝三种病害的分布图,并产生相应的掩膜。以此掩膜图像为先验模型,改进CDD算法的信息扩散方式,用交叉扩散代替正交扩散以适应带有确定方向性的信息缺失区域被合理填充,该方法能实现唐墓室壁画的多尺度修复。     

多尺度MRF边缘检测

本文提出一种改进的多尺度MRF边缘检测方法．基于图像的八邻域结构在MRF模型 中引入了Gibbs分布的线过程,有效地改善了MRF边缘检测算子的方向灵敏性．给出了对应于 八邻域线过程结构的能量函数．基于该算法对检测边缘的精确定位性能,提出了一种容易的 多尺度检测边缘合成规则．     

AFM显微图像多尺度形态边缘检测算法

提出一种适应于显微图像的多尺度形态边缘检测算法.用不同尺度大小的结构元素分别检测出显微图像不同尺寸边缘信息,进行图像规格化处理以消除不同尺度边缘图像的灰度值分布差异,运用取极小值方法对所获处理后图像边缘进行自适应融合.实验结果表明运用该算法获得理想图像边缘的同时,增强了模糊边缘,有效地消除了噪声,对显微图像处理十分有效,检测到的边缘非常清晰.     

Multi-scale spatial context-based semantic edge detection

The good fusion of multi-scale features obtained by Convolutional neural networks (CNNs) is key to semantic edge detection; however, obtaining fusion is challenging. This paper presents a Multi-scale Spatial Context-based deep network for Semantic Edge Detection (MSC-SED). Different from state-of-the-art methods, MSC-SED gradually fuses multi-scale low-to-high level CNN features in an end-to-end architecture. This fusion structure obtains rich multi-scale features while enhancing the details of higher-level features. Beside the overall structure, we present the following two functional modules: the Context Aggregation Module (CAM) and Location-Aware fusion Module (LAM). The CAM helps to enrich context in features at each stage, before and after fusion. The LAM helps to selectively integrate lower-level features. The proposed method outperforms state-of-the-art approaches in terms of both the edge quality and the accuracy of edge categorization on both the SBD and Cityscapes datasets.     

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。