基于自适应结构元素的改进分水岭图像分割方法

图像分割是按照一定的规则,将图像中具有特殊意义的区域划分为若干个互不相交的子区域,是从图像处理到图像分析的关键环节,传统分水岭图像分割方法是一种应用较为广泛的技术,具有快速、简单的优点,但该方法易受噪声干扰,分割结果易丢失边缘重要信息,出现过分割现象。为改善传统分水岭图像分割方法存在的过分割问题,提出了一种基于自适应结构元素的改进分水岭图像分割方法。首先,利用图像像素点邻域的局部密度、对称度及边缘特征构造形状可变的自适应结构元素,确保其与图像目标几何结构具有较强的一致性;其次,利用该结构元素获取图像形态学梯度,提高目标边缘的定位精度;将L_(0)范数梯度最小化和形态学开闭混合重建相结合修正梯度图像,减少梯度图像中的局部无效最小值点,抑制过分割现象的产生;最后对修正后的梯度图像进行分水岭分割,实现图像目标区域的精确分割。实验结果表明,该方法能够有效抑制过分割现象,提高目标边缘定位的准确性,具有较高的分割精度。

基于多尺度轮廓结构元素的多形状边缘检测

在图像边缘检测过程中,针对滤除噪声及有效保留图像边缘信息这对矛盾点进行了研究,给出一种基于多尺度轮廓结构元素的多形状边缘检测算法。该算法通过多次使用轮廓结构元素的开最大和闭最小运算操作滤除噪声,运算次数通过比较图像峰值信噪比确定,降低结构元素对边缘信息的影响;然后采用多形状多尺度结构元素提取图像边缘,并利用图像峰值信噪比控制结构元素尺度的选取。与经典边缘检测算法相比,该算法具有更强的去噪声能力,且能保留更多的图像细节。仿真实验表明,有区别地使用轮廓结构元素及多形状多尺度结构元素,能有效去噪并保留边缘信息。

基于Soft多结构元素形态学的TM图像边缘检测

基于传统的数学形态学边缘检测算法,改进结构元素,提出Soft多结构元素算子。针对TM图像中存在噪声多和边缘形态多样性的特点,构建多结构元素,并结合Soft形态学方法,对TM图像进行形态学的腐蚀和膨胀,实现遥感图像的边缘检测。

形态学滤波器结构元素选取原则研究与分析

形态学滤波器作为一种非线性滤波工具,以其良好的消噪性能越来越多地被运用到电力系统采样数据的处理中。形态学滤波器所选用的结构元素对滤波效果有着重要的影响,但目前结构元素的选取还没有针对具体应用背景的选取原则。针对电力系统中的常见噪声,通过数值仿真,对几种常用结构元素的滤波效果及计算速度进行了详细的分析研究,进而给出了结构元素类型的一般选取原则。同时提出了关于结构元素宽度及幅值选取的一些规律,为形态学滤波器的设计提供了参考依据。

基于局部多结构元素数学形态学的灰度图像边缘检测算法

提出了一种边缘检测算法 .该算法在数学形态学的基础上 ,针对图像中噪声和边缘形态的不同建立了多个结构元素 ,利用基于视觉模型的边缘阈值选择策略确定灰度图像中梯度变化的像素点 ,并对其采用二值形态学的腐蚀操作 ,选择出图像的边缘 ,滤除噪声 .与传统的形态学方法相比 ,该算法只对梯度发生变化的像素点进行操作 ,减少了运算量 ,得到了与人的主观视觉更为一致的边缘 .实验表明 ,与经典的边缘检测算子相比 ,该算法不仅具有很好的边缘提取能力 ,而且具有很强的抗噪能力 .

多尺度结构元素的数学形态学边缘检测新方法

针对不同尺度的形态学结构元素具有不同的图像边缘检测效果,提出了采用不同尺度的结构元素来检测图像边缘的方法.该方法通过小尺度结构元素的膨胀来获取大尺度结构元素,然后进行加权合成来获得边缘图像.仿真实验表明,对于具有单色背景的混有不同噪声的灰度图像,随着膨胀次数的增加,检测得到的合成图像的边缘更清晰完整,细节更丰富;将该方法应用于具有期望PSNR值的噪声图像,和其他的传统边缘检测方法相比,其检测到的轮廓更加清晰,对噪声不太敏感,能够很好地提取边缘.

基于形态学结构元素建模的车道线检测算法

针对智能车辆辅助导航系统中车道线检测算法复杂、鲁棒性差的问题,提出了一种基于形态学结构元素建模的车道线检测算法。算法首先通过交变序列滤波器对原始图像进行滤波,然后利用具有车道模型特征的结构元素对预处理后的图像进行特定目标提取,再对提取出的车道左、右标识线进行外线判断运算以去除双边缘,将所得结果进行整合得到车道左右内侧边缘线,最后进行Hough变换标记车道线。实验表明,该算法简单、鲁棒性强,能准确地检测到车道标识线。

形态学图像去噪中结构元素选取原则

介绍了数学形态学的基本运算和结构元素在形态学运算中的重要性,总结了在形态学图像降噪中结构元素的基本选取原则,即形状的相似性、尺寸的覆盖性和不同结构元素的组合性,并通过实验验证了这3条原则的合理性。

基于多尺度轮廓结构元素的数学形态学边缘检测

针对边缘检测算子对噪声敏感的缺点,提出了基于多尺度轮廓结构元素的数学形态学边缘检测算子.该算子采用多尺度轮廓结构元素的开运算和闭运算去除噪声,用小尺度轮廓结构元素提取图像的边缘,降低了结构元素对边缘检测的影响,实现了边缘的准确定位.仿真实验表明,该边缘检测算子定位准确,保留了更多的图像细节,具有更强的去除噪声能力.

利用动态结构元素提取直线

研究了灰度文档图像中提取直线的方法 首先将灰度文档图像利用半色调技术转换为二值图像 ,进行倾斜矫正后利用Hough变换动态构造结构元素 (HTSEC) ;然后根据这些结构元素 ,利用数学形态学中的击中 /击不中变换提取文档图像中的直线 (MMLE)

基于最优扁平型结构元素长度的液压泵故障诊断研究

针对实测振动信号易受噪声污染,而淹没有用信息和克服利用数学形态学滤波器对一维信号进行滤波时结构元素长度选择的经验性和任意性的问题,提出了一种基于形态学差值算子和功率谱熵理论相结合,并与特征能量比相配合的方法来确定最优扁平型结构元素长度以实现最优滤波。首先,利用在不同扁平型结构元素长度下的形态学差分算子对一维振动信号进行滤波处理;其次,对滤波后的信号计算功率谱熵和特征能量比;最后,根据功率谱熵理论和特征能量比方法得出,功率谱熵的最小值所对应的长度即为最优扁平型结构元素的长度。通过对仿真信号和液压泵故障信号的实验验证,表明在通过该方法所得到的最优扁平型结构元素长度下,采用形态学差值算子能够对液压泵故障信号达到最优滤波效果,保留更多的故障特征信息。

基于正弦结构元素的自适应Top-Hat变换及发电机特征振动信号增强检测

提出了一种基于正弦结构元素的自适应改进Top-Hat变换方法,并将其应用至发电机定子特征振动信号的增强检测中。该方法通过嵌套遍历循环确定使特征振动信号频率成分能量占比最大的最优结构元素幅值和长度,结合自互补Top-Hat变换来实现对发电机特征振动信号的增强检测。动模实验机组MJF-30-6定子匝间短路的实测信号处理结果表明,该文所提方法能够同时提取和增强定子的2倍频、4倍频和6倍频这3个特征振动信号,给故障的识别和诊断提供了方便,具备参考价值和积极意义。

基于复合结构元素的新型自适应形态滤波器设计

针对电力系统信号采集中常见的噪声干扰问题,提出一种使用复合结构元素的自适应形态学滤波器。这种滤波器融合两种及以上结构元素作为复合结构元素,统计分析输入信号与拟输出滤波信号之间的滤波误差,寻找复合结构元素的整体最优尺度,从而优化滤波效果。根据滤波误差极大值原理,调整组成复合结构元素的两种元素的参数占比,进一步优化,可得最优滤波使用的复合结构元素。仿真实验对包含随机白噪声的电力信号进行自适应滤波,结果表明,在面向随机噪声时,所提出的自适应滤波器能够准确寻求到最优结构元素,滤波性能优于使用单一结构元素的传统形态滤波器,具有良好的应用前景。

基于多结构元素形态学的图像边缘检测算法

分析了出传统图像边缘检测算法的不足,利用形态学多结构元素的自然属性,自适应确定权重,然后采用腐蚀运算构造边缘检测算法,再将多结构元的检测信息加权求和。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,得到的结果边缘细腻、平滑,在细节和特征方面保持得更好。

基于多结构元素的数学形态学的遥感图像边缘检测方法

提出了一种边缘检测的有效算法。该算法在数学形态学的基础上,针对图像中噪声和边缘形态的不同建立了多结构元素,利用灰度形态变换原理进行边缘提取。实验表明,与经典的边缘检测算子相比,该算法具有很好的边缘提取能力,但其抗噪能力较差。为此,探讨性地提出了基于小波变换和数学形态学相结合的边缘提取方法。

红外图像去噪中形态学结构元素的选取

用形态学滤波算子作用于红外图像,去除其中的噪声.用生长四叉树的方法获取图像中的信号尺度分布,建立尺度直方图,并据以确定形态滤波运算所要用的结构元素的最佳尺寸,从而为基于形态学的红外图像处理中结构元素的选取提供了一个客观的方法.

基于多尺度多方向结构元素的形态学图像边缘检测算法

为进一步改善图像处理中的噪声抑制和边缘检测性能,提出了一种多尺度多方向结构元素形态学图像边缘检测算法。该算法基于数学形态学中结构元素的方向性差异,充分利用了腐蚀、膨胀、开、闭及其变换和组合运算。对图像进行去噪、边缘提取等预处理操作,以提高图像的信噪比和边缘细节;利用递归的多尺度多方向结构元素形态学滤波得到图像的初始轮廓;利用多尺度形态学和多方向结构元素进行图像边缘检测。实验结果表明提出的算法抗噪性强,能有效准确地提取边缘信息。

基于轮廓结构元素和阈值分割的形态学去噪

将图像分割技术应用于图像复原,提出基于轮廓结构元素和阈值分割的数学形态学去噪算法。该算法对图像进行阈值分割得到目标图像和背景图像,采用不同的轮廓结构元素滤波器算子对得到的2幅图像进行滤波并合成。实验结果表明,与其他形态学滤波算法相比,该算法有效地抑制了噪声,对主要目标的边缘细节起到了较好的保护作用。

数学形态学中结构元素的分析研究

1.引言 数学形态学是研究数字图像形态结构特征与快速并行处理方法的理论,它通过对输入图像的形态变换实现结构分析和特征提取的目的.1982年,J.Sem的专著<图像分析与数学形态学>问世后,数学形态学在图像处理、模式识别和计算机视觉等领域引起广泛的重视和应用,这些应用反过来又促进了它的进一步发展.

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。