图像目标边缘形态检测方法研究

基于数学形态学的边缘检测方法对处理光学经纬仪实际拍摄的含噪声图像与其它常规边缘检测方法相比,具有明显的优势。将空域滤波和Prewitt边缘算子与数学形态学相结合的目标边缘检测方法对图像边缘的检测精度较高,抗噪声能力强,提高了图像边缘检测效果。

基于单尺度Retinex与改进的K-均值聚类的涡流热成像缺陷检测

在利用涡流红外热成像技术检测金属材料损伤缺陷时,因热波属于衰减波,且热波三维热扩散等问题,导致采集的红外图像中缺陷部位模糊。针对该问题,提出一种基于单尺度Retinex与改进的K-均值聚类的缺陷检测方法,用于处理红外图像特征增强、图像分割和边缘特征提取等问题。该方法首先利用单尺度Retinex(single-scale Retinex,SSR)对红外热图像进行图像增强,强化缺陷特征,然后利用改进的K-均值聚类算法对图像进行分割,最后采用数学形态学算法处理图像,去除缺陷图像中无用信息,并利用Canny算子检测出缺陷边缘。实验结果证明,该方法有效地检测出金属材料试件缺陷,并提取出完整清晰的缺陷边缘。

广义自对偶形态学滤波器及其在图像去噪中的应用

针对传统的自对偶形态学滤波器(SMF)是依赖于两个互为对偶的形态学滤波器,虽然能较好地保持图像的细节,但抑制噪声的效果较差。本文基于改进的形态学中值算子(MMO)和均值算子(MAO),提出了广义自对偶中值形态学滤波器(GSSMF)和广义自对偶均值形态学滤波器(GSAMF),分析并证明了两类滤波器均满足形态学滤波器的自对偶特性,分别适用于脉冲噪声和高斯噪声的去除。实验结果表明,GSMF在保持图像亮度不发生偏移的同时有效抑制了图像中的噪声,滤波后的图像具有较高的峰值信噪比(PSNR)和较小的均方根误差(RMSE)。

脑外科CT图像的综合边缘提取算法

为了实现大脑的三维重建,准确提取二维图像中的边缘成了首要解决的问题。常用的几种经典边缘检测算子对噪声比较敏感,容易造成虚假或不连续的边缘。针对此问题,提出基于Canny算子并结合图像增强和数学形态学的综合边缘提取算法。该算法首先对原始图像进行增强,以便于计算机的分析;然后利用Canny算子对CT图片进行边缘提取,该算子具有非极大值抑制和双阈值法连接边缘的优点,但容易将非边缘点检测为边缘,而且存在边缘不连续的问题;最后利用数学形态学中的膨胀方法对提取的边缘进行处理。实验结果表明,该算法提取的边缘光滑连续,为后面大脑的三维重建打下了坚实的基础。

一种基于前视声呐的目标检测与跟踪方法

随着海洋勘探技术的发展,水声图像在海洋开发中占据越来越重要的地位。针对前视声呐在障碍物识别中存在的高噪声以及目标成像不连续等问题,借鉴神经网络中卷积核的思想,将形态学算子视为特殊的卷积核。同时,将帧间差分图像与当前帧所获取图像的特征相融合,提出一种基于特征融合的目标检测算法。而后利用Mean-shift(均值漂移)算法对检测后得到的清晰的障碍物目标进行跟踪。实验结果表明,该算法能够有效地抑制动态背景中的噪声,同时使障碍物目标能够以连续、稳定变化的运动形态,清晰地呈现在连续多帧图像中,并对目标进行有效地跟踪。以"探索1000"AUV在千岛湖采集的声呐视频序列作为实验数据,表明该算法具有广阔的应用前景。