基于形态学梯度重构和标记提取的分水岭图像分割

为了解决传统分水岭算法的过分割问题,提出一种使用形态学梯度重构和标记提取技术进行图像预处理的分水岭图像分割方法。该方法基于多尺度概念,进行梯度重构时采用了不同尺寸的结构元素,在对重构后的各梯度图像的区域极小值进行标记后,将各标记点的并集作为最终标记图像,用其修改梯度图像,然后进行分水岭变换,实现图像的区域分割。实验结果表明,该方法既能有效解决分水岭算法的过分割问题,又保留了各尺度下的重要目标,并且可以根据图像特点和具体的分割要求,调整分割过程中所选参数,得到满意的图像分割效果。

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。

基于形态学尺度空间和梯度修正的分水岭分割

分水岭是一种有效的图像分割方法,但存在过分割现象,为此提出了一种基于形态学尺度空间和梯度修正的分水岭图像分割方法,该方法利用形态学混合开闭重建尺度空间和梯度修正技术,在平滑原始图像的同时保留了重要的区域轮廓而去除了易造成过分割的区域细节和噪声,克服了传统的形态学开闭尺度空间在平滑细节和噪声时,部分重要区域轮廓也被平滑及不满足尺度因果性的问题。对平滑后的图像采用梯度修正分水岭变换,保持了尺度和分割区域数目间的因果性,进一步消除了标准分水岭的过分割现象。仿真实验表明,该方法能有效地消除过分割现象,分割的区域数目满足尺度因果性,且具有较高的区域轮廓定位能力。

基于形态学和梯度重构的车牌图像分割方法

提出一种多尺度形态学检测边缘和梯度重构的快速车牌图像分割算法。该方法是基于多尺度的概念,进行梯度重构时采用不同尺寸的结构元素。运用开闭运算进行梯度重构,对重构后的各梯度图像进行阈值优化,对重构后梯度图像进行修改;利用分水岭算法检测目标,通过车牌的几何特性(宽高比、矩形面积等)从这些目标候选区域中剔除虚假牌照,找到真正的牌照。实验结果表明,该方法能取得较好的分割效果。

基于形态学梯度重构的高分辨率遥感影像分割方法

基于形态学梯度重构提出一种用于高分辨率遥感影像的分割方法.针对遥感图像的特点构建多形状结构元素,然后使用该结构元素对图像提取形态学梯度并进行开闭重构;根据人的视觉特征,对梯度的高对比度区域进行还原,用于保证较高的局部对比度;最后使用浸没式分水岭变换获得分割结果.对IKONOS影像进行分割实验,结果表明了该方法的有效性.

一种程度可控的形态学多尺度梯度分水岭算法

为解决分水岭算法中的过分割现象,提出了一种基于多尺度形态学梯度的谷底填充算法,通过调整填充阈值的方式实现对分割区域数量的控制,同时利用Canny边缘检测算子获取图像边缘信息,以此对梯度图中的边缘位置进行强化和修正,确保分割出的区域轮廓在谷底填充过程中尽可能地保持与目标边缘拟合。仿真结果表明,此算法对于改善过分割现象有明显效果,并且对分割程度具备可控能力,在适应不同场景需求方面存在一定的应用价值。

基于频率域峭度谱迭代阈值的多尺度形态学轴承故障诊断方法

在复杂恶劣的环境中,存在滚动轴承故障信息难以准确提取的问题。因此,引用多尺度数学形态学对滚动轴承故障诊断开展研究。由于小尺度形态学滤波能较好的保存信号的细节特征,大尺度形态学滤波能有效抑制噪声,因此为了能更好的兼顾噪声抑制和故障特征信息保存,采用迭代阈值的方法选取尺度范围,运用频率域峭度谱方法计算出阈值,然后通过迭代自适应获取最佳尺度区间。多尺度形态学信号重构加权方法引用加权多尺度形态梯度算法,该方法能保证小尺度具有较小的权重,大尺度具有大权重。通过仿真和实验表明:多尺度形态学有效检测出滚动轴承故障信号,深度挖掘滚动轴承故障特征信息。

基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效地提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,提出了一种自适应多尺度形态梯度变换(AMMG)方法,能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比较,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。

基于小波增强的改进多尺度形态梯度边缘检测算法

在形态学梯度边缘检测算子的基础上,综合多结构元和多尺度算法的特性,提出了一种基于小波增强的多结构元、多尺度边缘检测方法,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,本文方法边缘定位准确、轮廓清晰,保留了更多的图像细节,具有较强的抗噪能力。

基于改进多尺度形态学梯度的绝缘子边缘检测算法研究

为提高红外图像分割后的绝缘子串边缘的完整性、清晰性和准确性,文章提出了一种基于改进多尺度形态学梯度的边缘检测算法。应用改进算法与多种常用算法对绝缘子串进行边缘检测,比较取得的结果的峰值信噪比、交并比和假阳性率,可以确定基于改进多尺度形态学梯度的算法效果最优,可以用于绝缘子串图像分割。将此方法用于110 kV和220 kV电压等级的绝缘子红外图像,通过大量实际样本训练证明,改进的算法能够完整、清晰、准确地分割绝缘子串区域,并具有良好的抑制噪声能力。

多尺度形态梯度算法及其在图像分割中的应用

分水岭变换是一种适用于图像分割的强有力的形态工具。然而，基于分水岭变换的图像分割方法的性能在很大程度上依赖于用来计算待分割图像梯度的算法。本文首先提出了一种计算图像形态梯度的多尺度算法，对阶跃边缘和“模糊”边缘进行了有效的处理：其次，提出了一种去除因噪声或量化误差造成的局部“谷底”的算法。实验结果表时，采用本文算法后进行分水岭变换，即使不进行区域合并也能产生有意义的分割，极大地减轻了计算负担。

适用于直流保护的数学形态学降噪与噪声干扰识别方法

柔性直流输电系统是调节我国能源分布不均问题的重要手段,直流保护是保证柔直系统安全的重要技术。现有工程中多采用行波保护作为主保护,然而行波保护存在易受噪声影响、故障波头不易捕捉等问题,制约了其广泛应用。针对上述问题,提出数学形态学降噪与噪声干扰识别方法,并根据直流保护采样信号特点进行参数设计,用于直流保护采样信号降噪和噪声干扰的识别。首先,确定基于自适应多尺度形态滤波的直流信号降噪方法,并设计结构元素长度和形态学滤波器类型、自适应多尺度形态滤波器的滤波器阶数和步长。其次,确定基于形态学梯度变换的噪声干扰识别方法,并设计形态学梯度变换的阈值。接着,从不同角度对形态学降噪方法与现有典型信号处理方法的滤波效果进行对比分析。最后,对形态学降噪与噪声干扰识别方法和保护的配合效果进行验证。形态学降噪与噪声干扰识别方法所需采样频率较低,运算量适中,滤波效果好,对直流保护适用性好。

基于形态学多尺度修正的脑肿瘤分割

针对脑部核磁共振成像(MRI)图像中因噪声、肿瘤内部灰度不均匀、模糊及边界不连续等造成肿瘤难以准确分割的问题,提出了一种基于形态学多尺度修正的控制标记符分水岭分割方法。该方法在形态学梯度图像基础上,根据不同像素点所在特定邻域内的梯度值自适应确定结构元素的大小;然后,对图像进行形态学多尺度修正,保证修正过程中目标轮廓不发生较大偏移;最后,采用控制标记符的分水岭变换对图像进行分割。实验结果表明,该方法可对脑肿瘤进行较精确的分割。

一种计算图象形态梯度的多尺度算法

分水岭变换是一种非常适用于图象分割的形态算子 ,然而 ,基于分水岭变换的图象分割方法 ,其性能在很大程度上依赖于用来计算待分割图象梯度的算法 .为了高效地进行分水岭变换 ,提出了一种计算图象形态梯度的多尺度算法 ,从而对阶跃边缘和“模糊”边缘进行了有效的处理 ,此外 ,还提出了一种去除因噪声或量化误差造成的局部“谷底”的算法 .实验结果表明 ,图象采用本文算法处理后 ,再进行分水岭变换 ,即使不进行区域合并 ,也能产生有意义的分割 ,因而极大地减轻了计算负担 .

基于形态学重构的宫腔镜下子宫内膜腺体开口标记算法

目的在宫腔镜下为胚胎种植窗口期的子宫容受性提供一个量化的评价方法,提出一个宫腔镜下的子宫内膜腺体开口标记算法。方法采用数学形态学重构算法提取可能的腺体开口区域,利用多尺度的高斯滤波增强腺体区域去除噪声,最后使用数学形态学的区域最大值标记腺体开口。结果该标记算法的标记结果与专家标记结果进行比对,灵敏度为84.72%±8.00%,Dice相似度系数达83.80%±4.56%。结论经仿真和真实数据验证,提出的子宫内膜腺体开口标记算法是有效的。

多尺度的灰值形态学在图像边缘检测中的应用

传统的边缘检测算法存在检测边缘不连续、漏检、抗噪性能差等缺点。针对传统方法在边缘检测中遇到的问题,结合数学形态学的方法,介绍一种基于多尺度灰值形态学的边缘检测算子,该算子是在形态学梯度算子的基础上改进之后,结合多尺度的概念,将各种不同尺寸下的边缘图像结合起来,提取出比较理想的边缘图像。采用Visual C++编程实现算法,并与传统边缘检测算子进行比较。实验结果表明本文提到的算子检测边缘效果更好。

基于形态学正则化算子的图像重构算法

针对当前空间域的多帧超清图像重构算法,在对具有较多未知像素的低分辨率图像修复时,存在重构效果差,且处理速度慢等不足,提出了基于形态学正则化算子的超分辨率图像重构算法。通过构造高低分辨率关系模型,确定目标低分辨率改善因子;再估计高清图像,将修复问题转化为不适定问题,利用正则化方法求其稳定值,克服了因低分辨率图像中存在较多未知像素而难以实现高清图像重构的问题;并定义了基于形态学滤波器的正则化算子,联合Bregman迭代和算子分裂,有效解决最小化问题,再通过计算形态学正则化算子的次梯度,完成图像重构。仿真结果表明:与当前超清图像重构算法相比,在修复具有较多未知像素值的低分辨率图像时,拥有更好的重构效果与适应性,且具有更高的相似度。

一种形态学梯度滑降算法的研究

滑降算法是一种重要的图像分割工具,然而基于滑降算法的图像分割在很大程度上依赖于待分割图像梯度的计算.提出了一种多尺度形态学梯度滑降分割算法.该算法首先利用多尺度形态学梯度,通过大小不同的结构元素提取图像梯度特征,获得梯度图像,然后利用滑降算法进行图像分割,为了减少滑降算法的过分割现象,提出了区域面积和区域相似性规则的区域合并的方法.实验结果表明,本方法具有较好的分割效果,同时分割中结构元形状、尺度可以灵活选取,使得该方法适用范围相对比较广泛.

基于多尺度形态梯度的灰度图像边缘检测

研究了一种基于多尺度抗噪型形态梯度的灰度图像边缘检测算法。该算法通过构造5个不同的结构元素,结合多尺度合成对图像进行边缘检测。为验证本文算法的效果,用几种传统的微分算子对实验图像进行了边缘提取的实验,并把结果与用本文算法提取的结果进行了比较。结果表明:本文算法比较成功地完成了图像的边缘检测,且检测效果在完整性和细节的丰富性方面优于经典的Sobel算子,LOG算子和Canny算子,但在某些边缘的连接性和平滑性方面不如Canny算子,在这方面还有待改进。

基于多尺度形态学的运动目标边缘检测算法研究

研究和分析了形态学梯度算子,提出了一种适合运动目标图像边缘检测的多尺度形态学梯度算子。它结合了基于灰度图像和边缘图像的二进小波检测方法的优点,减低了直接从灰度图像中提取时的算法复杂度,并且解决了普通边缘提取算法带来的诸多对噪声敏感问题。试验结果表明,该方法能够在较低噪声背景下更有效地检测运动目标图像边缘特征,提高判决准确率。