基于小波变换的多尺度边缘检测

基于Ｍａｒｒ边缘检测算子，以高斯函数的一险峰 ２阶导数作为小波，提出具有２个可变参数的多尺度图象边缘检测方法。本文所提出的多尺度边缘检测方法适应于计算机视觉分级识别中边缘检测的需求。     

一种基于小波变换的SAR图像多尺度边缘检测融合算法

SAR图像中的噪声是乘性的斑点噪声,对光学图像有效的检测算子并不适用于SAR图像的边缘提取。由于小波变换具有良好的时频局域化特性及多尺度分析能力,因此根据多尺度分析来构造多尺度边缘检测算子,通过改变高斯函数的标准差σ,就可以选择边缘检测的细节程度;最后,将各尺度检测结果进行融合来提高检测效果。实验结果表明,该方法取得了较好的检测效果。     

基于尺度相关性的小波变换边缘检测

图象边缘检测的任务进就是检测和定位图象平面亮度的不连续,但夹杂在图象信号中的噪声,因其奇异性使得边缘检测成为一个既要保留边缘又要去除噪声的病态问题。本文利用多尺度小波变换对图象边缘及噪声的奇异性行了探讨。并根据小波变换的尺度相关性提出了一种新的边缘检测算法,通过试验验证本方法对保留边缘去除噪声有很好的效果。     

基于多尺度小波变换的边缘检测

边缘是图像的基本特征之一,提出了一种多尺度的图像边缘检测方法。实验表明,该方法能够有效地对图像边缘进行检测、抑制噪音,同时具有较好的多方向性。     

基于多尺度小波纹理分析的边缘检测

本文研究了第二代小波在边缘检测中的方法。基于多尺度小波纹理分析的边缘检测,有效地弥补了传统边缘检测算法的不足,在有效地抑制噪声影响的同时,提高了其边缘定位精度,并通过实例得以证明。     

基于多尺度小波纹理分析的边缘检测

本文研究了第二代小波在边缘检测中的方法。基于多尺度小波纹理分析的边缘检测,有效地弥补了传统边缘检测算法的不足,在有效地抑制噪声影响的同时,提高了其边缘定位精度,并通过实例得以证明。     

图像多尺度边缘检测算法研究

通过检测二维小波变换的模极大值线可以确定图像的边缘点.由于小波变换在各尺度上都提供了图像的边缘信息,所以称为多尺度边缘检测.沿着边界方向将任意尺度下的边缘连接起来,可形成该尺度下沿着边界的模极大线.小波变换能够把图像分解成多种尺度成分,并对大小不同的尺度成分采用相应的时域或空域取样步长,从而能够不断地聚焦到对象的任意微小细节.小波变换具有的多尺度特性,正好可以用于图像的边缘检测.     

基于EMD和小波分析的多尺度边缘检测

提出了一种基于EMD(Empirical Mode Decomposition)与小波分析相结合的多尺度边缘检测方法。首先将图像信号进行EMD分解,将其分解成n个IMF(Intrinsic Mode Function)函数,再对每个IMF函数进行小波变换。将该方法应用于图像的边缘提取,较好地得到了图像的边缘信息。     

一种新的基于小波变换的边缘检测算法

应用小波变换理论对图像进行平滑降噪处理,对降噪图像进行多级小波分解,从而获取多分辨率图像。对小波分解的各级小波系数求其局部模极大值,从而得到不同分辨率下的图像边缘,合并不同分辨率下的图像边缘得到一个组合边缘,细化图像边缘。实验证明。这种方法对有噪声污染的图像进行边缘检测效果好于LoG、Sobel、Canny等经典的边缘检测方法。     

用多尺度小波变换进行边缘检测算法的研究

提出一种用多尺度小波变换局模最大值进行边缘检测的算法，并将该算法与经典的Ｓｏｂｅｌ算子进行比较，结果表明用该算法进行边缘检测是可行的。     

基于多尺度自适应扩散方程的边缘检测方法

针对Canny算法对较高密度椒盐噪声和双阈值选取方面存在的不足,提出一种改进方法,采用多尺度自适应各向异性扩散方程对图像进行平滑,有效去除较高密度脉冲信号的同时又可以更好地保留边缘轮廓信息。在双阈值门限的选取上采用最大类间方差法根据图像的灰度信息自适应地选取,可以更好地满足实时性要求。为验证其性能,在不同噪声浓度情况下进行实验,结果表明,改进的边缘检测算法可以更完整地保留边缘信息,提高边缘检测的准确性,得到较理想的边缘轮廓信息。     

多阈值选取与边缘连接的边缘检测算法

论文针对Kirsch 边缘检测算子的缺点,提出一种多阈值选取与改进的边 缘连接算法相结合的方法,对图像,尤其是医学图像进行边缘检测。该方法首先用高斯滤波 器对原始图像去噪,使用传统Kirsch 算子计算梯度,然后设定低阈值和自适应阈值来保护 图像弱边缘和提取真正边缘,最后通过改进的边缘连接算法连接边缘。实验结果表明,论文 的方法具有保持弱边缘、连接性好的边缘检测效果。     

基于多尺度形态学梯度的医学图像边缘检测

边缘检测是数字图像处理的一个重要内容,经典的边缘检测算子算法主要采用Prewitt算子、LOG算子、Canny算子等在空域中进行.数学形态学利用结构元素去探测图像,在讨论形态腐蚀和形态膨胀的基础上,提出了一种基于多尺度形态学梯度的医学图像边缘检测算法.单尺度形态学基元随着尺度的增大形成新的更大尺寸的结构元素,从而检测不同的边缘信息,最终重建较理想的图像边缘.仿真结果表明,该算法在含噪图像中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,检测精度较经典的单一梯度算子检测方法亦有一定的改善.     

基于Sobel梯度模板的多阈值实时边缘检测方法

为了解决传统边缘检测方法存在的边缘短小、边缘丢失和噪声敏感等问题,提出一种基于Sobel梯度模板的多阈值实时边缘检测方法。该方法在大阈值下收集用于边缘定位的标兵点,在小阈值下确定用于边缘连接的搜索区域,并结合一种连点画图游戏的思想,利用不同阈值下收集的边缘线索和信息提取最终的边缘。实验结果证明,该方法运行速度快,具有较好的实时性,检测的边缘为单像素宽度,定位精确,连续性好。     

沿梯度方向的改进一阶差分亚像素边缘检测法

提出了一种基于梯度方向的改进型一阶差分亚像素边缘检测方法。该方法的主要思想是,在曲线轮廓上,根据方位角对边缘像素点所在的小邻域沿梯度方向进行差分,再将修正值重投影至行列。理论上而言,该方法可弥补传统一阶差分法在曲线边缘处由于差分分布较平坦而导致精度较低的不足。理想图像的实验结果表明,该方法对半径测量、圆心定位的精度均小于0.05像素,这比采用其他亚像素法进行半径测量时可达到的精度有较大提高。     

小波多尺度下真彩色图像边缘检测

现代图像的边缘检测方法需要在充分利用图像中的色彩信息基础上能够提供多尺度下的边缘信息。提出了小波多尺度下彩色图像边缘提取算法,利用小波多尺度特征模板对R、G、B三个分量滤波磨光输出,并对磨光后的图像进行向量扩展梯度（Vector Expand Gradient,VEG）,提取边缘。实验结果表明：算法能有效地在不同尺度下提取真彩色图像由细到粗的轮廓边缘信息。     

证据加权融合的多尺度形态学细胞边缘检测

提出了一种改进的多尺度形态边缘检测算法。用不同尺度的结构元素分别检测出图像的不同尺寸的边缘信息,然后采用证据加权的融合方法对不同尺寸的边缘图像进行融合。通过对病理显微图像的实验,在噪声存在的条件下得到较为理想的图像边缘。与其他边缘检测算法进行比较,结果表明该算法在有效地消除噪声的同时,能够取得较好的边缘检测效果。     

基于多尺度多分辨率局部边缘模式的边缘检测

由于传统基于梯度的方形边缘检测算子包含边缘方向过少（一般为2个或4个方向）,因此无法从多分辨率角度检测边缘,进而会丢失其他方向的边缘信息。针对上述问题,提出一种具有多尺度、多分辨率特性的边缘检测算子,称为可变局部边缘模式（Varied Local Edge Pattern,VLEP）算子,并用来提取图像边缘信息。算法主要思路包括,将图像经过高斯滤波器平滑,使用一组或多组VLEP算子与滤波后的图像进行卷积,得到边缘强度,从而获得边缘梯度值,最后设置适当的梯度阈值,对梯度图像进行二值化处理,完成图像的边缘检测。此外,当多组VLEP算子被同时使用时,考虑结合加权融合思想,以便获得更加丰富的边缘信息。实验结果表明,提出的边缘检测算法比其他经典的方法具有更好的边缘检测效果。     

二进小波与改进的形态学融合的边缘检测算法

针对小波变换边缘检测算法抗噪能力差、图像边缘不连续等缺点,提出一种将二进小波变换与形态学算子融合的边缘检测算法。利用新构造的二进小波滤波器边缘检测算法对含噪图像进行边缘检测,可以保留较多的边缘细节;利用新设计的多结构抗噪形态学算子对含噪图像进行边缘检测,抑制噪声良好;将两种算法得到的边缘结果按一定规则进行融合,利用Laplace算子锐化融合后的图像,得到最终的边缘检测结果。实验结果表明,该融合算法在抑制噪声的同时显示较多的图像细节,检测的图像边缘连续且准确。     

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。