一种基于改进SUSAN算子的钨矿初选算法

以改进SUSAN算子为核心的钨矿石初选算法是一种针对性较强的算法.此算法采用改进的SUSAN算子的边缘提取方法,利用形态学开运算估计背景,与原始图像全局灰度进行几何运算来减弱背景的复杂纹理和噪声对图像的影响,以此来改善目标边缘提取的效果,并结合SUSAN基于图像灰度相似性比较的边缘检测算法.它不需梯度的计算,具有算法简单、定位准确、抗噪声能力强等特点,提高了算法效率,实现二者的优势互补,提高图像边缘检测的效果.     

多尺度结构元素形态学边缘检测算法的研究

针对在以往的图像边缘检测中,常用的算法抗噪声能力弱且容易丢失边缘细节等不足,提出一种新的边缘检测算法.该算法首先采用两个不同尺度的结构元素对图像进行交替滤波运算,再利用结构元素进行形态学边缘检测以获得图像的边缘细节.通过实验表明,与传统的边缘检测算法相比较,新算法抗噪能力强,运算效率高且检测到的边缘连续性强.     

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。     

一种改进型柔性形态学边缘检测算法

该文作了基于数学形态学的图像边缘检测算法的研究。利用形态学基本算法的图像处理特点,对常用的边缘检测算法以及传统的形态学边缘检测算法加以分析和比较,指出各自的特点以及不足。再结合几何算法,运用到二值灰度图像边缘检测中,基于边缘检测的经典算法与柔性滤波特性,提出了柔性形态学边缘检测算法及优化算法,完成图像的边缘检测及去噪处理。     

基于改进的形态学算子的灰度图像边缘检测

提出一种改进的形态学图像边缘检测算法.针对单结构元素在检测时出现检测结果边缘线条粗、不连续性的问题,该算法提出了利用6种具有代表性的结构元素进行膨胀组合,形成多尺度结构元素,从而弥补了传统边缘检测算法提取灰度图像细节边缘少及抑制噪声能力差的缺点.     

基于局部复杂度和粗糙度的形态学空间锐化法

传统锐化算法对灰度突变的强边缘响应强烈,对噪声敏感,易产生过冲效应,且对灰度变化较小的微弱细节锐度不足,为此提出一种新的图像锐化算法.利用顺序形态变换的相关性质和概念,构造了一种局部加权均值滤波器,克服了传统线性滤波在平滑图像的细节和噪声时,一些重要边缘也被平滑而易产生过冲的问题;同时针对图像灰度剧变区和级别丰富区,应用图像局部粗糙度和复杂度自适应调节增益函数,有效地提升了图像中弱边缘和纹理细节的表现力.实验结果表明:该算法有效地避免了强边缘过冲现象,且在增强图像边缘和微弱细节的同时,保持了整体背景噪声与原图像一致,抑制了噪声的放大.     

基于数学形态学的彩色图像边缘检测

图像边缘检测大都是基于灰度图像的,其不能充分利用彩色图像的全部色彩信息。本文利用数学形态学在描述灰度图像方面的优势,将灰度形态学边缘检测法运用到彩色图像中。首先在RGB空间对原彩色图像的R、G、B三副伪灰度图像分别进行形态学边缘检测,然后对三副图像的边缘强度进行合并,并采用阈值分割法提取出图像的轮廓边缘。实验结果表明:该算法计算量小,并且充分利用了图像的色彩信息,能有效地检测出彩色图像边缘。     

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。     

基于数学形态学的海洋浮游植物边缘检测研究

传统的边缘检测算子由于受噪声影响比较大,无法检测海洋浮游植物细胞可靠的边缘位置,因此不适合应用于细胞形态分析.为此,针对海洋浮游植物细胞原始图像的特点,提出了一种迭代域值算法,数学形态学处理,类异或运算,单像素腐蚀相结合的边缘精确检测算法.通过Visual C＋＋6.0试验结果证明,与传统的边缘检测算法相比较,本文的边缘检测算法不但抗噪声干扰能力强,而且检测精度高,边缘连续,清晰.     

基于非线性四阶图像插值的亚像素边缘检测算法

为提高数字图像边缘检测的精度,提出了基于ENO的非线性四阶插值和Canny算子的亚像素边缘检测算法。本算法应用经典Canny算子检测图像边缘信息,对灰度图像进行处理得到梯度图像,然后在梯度图像上沿目标边缘的梯度方向进行基于ENO的非线性四阶插值,进行亚像素细分计算,对目标边缘进行亚像素精确定位。用所得到的边缘检测算法与基于正交多项式插值检测算法和基于三次多项式插值检测算法性能进行比较,仿真结果表明本文给出的基于ENO插值的检测算法不仅提高了图像的边缘检测能力,而且可以一定程度地克服噪声干扰。     

一种基于数学形态学的灰度图像边缘检测算法

基于数学形态学的方法,利用形态运算膨胀、腐蚀、开、闭等变换以及它们的组合,该文提出了一种改进的形态学边缘检测算子,能够有效地检测出图像边缘,并保持边缘的平滑性.同时引入多尺度的概念,对形态结构元素尺度的大小进行调整,从而在噪声存在的条件下得到较理想的图像边缘.实验结果表明,与传统的边缘检测算子相比较,该算法抗噪性能良好,计算量较小,因此具有一定的实用性和可行性.     

基于双Haar小波的边缘检测

边缘检测在计算机视觉中起着非常重要的作用 .但是现有的一些边缘检测方法对噪声非常敏感 .因此 ,如何得到更好的边缘检测方法受到了人们的重视 .近年来 ,作为一种新的工具 ,小波变换在信号处理中得到了广泛应用 .本文基于双Haar小波 ,提出了一种新的信号边缘检测算法 .与传统方法相比 ,有效地克服了脉冲噪声的影响 .     

自适应多尺度Canny边缘检测

Canny边缘检测算法中有个可以改变的自由参数,该参数具有内在的尺度意义。根据图像自适应地确定该参数所在的尺度集合,在每个尺度上进行Canny边缘检测,然后组合它们的输出结果以获得理想的边缘。自适应多尺度Canny边缘检测算法可以得到抗噪性能和细节保持兼顾的良好边缘。实验结果表明,与Canny边缘检测相比,该算子检测的图像边缘比较清晰,具有较高的信噪比,而且用来检测含白噪声图像的效果也相当理想。     

改进的基于形态学梯度法的车辆图像边缘检测方法

在分析和比较用于图像边缘检测的多尺度多方位的形态学梯度算法和多级形态学运算合成法的基础上,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,并与其它形态学边缘检测方法进行了比较,证明该方法对汽车图像边缘检测具有较好效果.     

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.     

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。     

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Soft形态学的图像去噪边缘检测

基于形态学的图像处理效果取决于运算性质和结构元素,为了能够更好地抑制图像的噪声并且提取 边缘信息,提出了一种基于柔性形态学的图像去噪和边缘检测方法。该方法使用多结构元复合滤波与双梯度多路 合成相结合,柔性的多结构元复合滤波能够有效去除图像噪声,双梯度多路合成可以提高图像边缘的检出率,不仅 抑制图像的噪声,而且提取出的图像边缘更清晰完整。实验结果表明,该方法在抑制噪声和边缘检测方面要比传统 算法有较好的效果。