基于线性广义模糊算子图像快速增强算法

目的:研究Pal类模糊算法的图像增强原理,提出适合CT/MR图像的快速增强算法.方法:首先,通过定义一个线性映射函数,将感兴趣区域(ROI)从背景区域分离出来;其次,用线性的广义模糊算子(L-GFO)单独对ROI进行增强.结果:在P4-2.4G/512M/128M微机上,用IDL对50幅CT/MR图像处理速度进行测试,本文算法平均每幅增强处理用时约0.8ms.结论:本文算法减少了运算量、提高了处理速度.

双线性广义模糊增强边界图像检测算法

在模糊集和广义模糊集理论的基础上 ,给出了用于模糊增强图像区域对比度的线性广义模糊算子 ,实现了图像的双线性快速无损边界检测算法 该算法利用线性左半梯形模糊分布函数和线性广义模糊算子实现灰度图像空间、普通模糊空间和广义模糊空间之间的转换 ,同时对广义模糊空间进行区域对比度增强 ,最后在灰度图像空间中提取边界 大量实例表明 :利用文中算法提取图像边界速度快、效果好 ,并且在多项指标上均超过了Pal算法。

自适应多层次的图像双线性广义模糊增强算法

在模糊集合论和广义模糊集合论的基础上,构造出用于模糊增强图像区域对比度的新型线性广义模糊算子。提出了一种自适应多层次的图像双线性广义模糊增强新算法,该算法利用线性广义隶属度变换及其逆变换,实现了灰度图像空间的广义模糊化与广义模糊空间的灰度化,使用线性广义模糊算子对线性广义模糊隶属空间进行了区域对比度模糊增强,最终利用"MIN"算子提取出了增强图像的边缘轮廓。基于模糊熵的多层次阈值灰度选取过程,体现了算法的自适应性与实用性。实验表明,该算法能够快速无失真地同时增强图像中不同层次的边缘信息,所提取出的增强图像边缘准确、层次分明。

双线性快速模糊增强图像边界检测最新算法

本文利用广义模糊集(GFS)理论,给出了全新的用于模糊增强图像区域对比度的线性广义模糊算子(LGFO),从而给出了双线性快速模糊增强图像边界检测最新算法。首先利用线性右半梯形隶属变换将灰度图像的普通空间变换为广义模糊空间,再利用LGFO对广义模糊空间进行区域对比度增强,然后把增强后的广义模糊空间变换为普通空间,最后对处理后的普通空间进行边界提取。通过大量实例验证,使用本文算法提取图像边界速度快、效果好,而且多项指标均超过了文[1～4]。

一种双线性快速模糊增强图像边界检测最新算法

在广义模糊集理论的基础上 ,给出了全新的用于模糊增强图像区域对比度的线性广义模糊算子 ,从而提出了一种双线性快速模糊增强图像边界检测最新算法。利用线性左半梯形模糊分布将灰度图像的普通空间集合变换为广义模糊空间集合 ,再利用LGFO对广义模糊集合进行区域对比度增强 ,把增强后的广义模糊集合变换为普通集合 ,最后对处理后的普通集合进行边界提取。实例表明该算法提取图像边界速度快。

基于GFS的双线性快速模糊增强图像边界检测新算法

根据广义模糊集(GFS)理论,给出了用于模糊增强图像区域对比度的线性广义模糊算子(LGFO),从而给出了基于GFS的双线性快速模糊增强图像边界检测新算法.首先利用线性左半梯形隶属函数将灰度图像的普通集合变换为GFS,其次利用LGFO对GFS进行区域对比度增强,同时把GFS变换为模糊集合,然后再把模糊集合变换成普通集合,最后在普通集合中进行边界提取.通过大量实例证明,使用该算法提取图像边界速度快、效果好,而且多项指标均超过了文献[2]～[5].

应用小波包变换的图像加权广义模糊增强算法

图像边缘细节富含高频成分,鉴于小波包分析具有对高频分辨率高的特点,提出一种应用小波包变换的图像加权广义模糊增强算法。对图像进行小波包分解,分别对各分解子图像进行基于线性广义模糊算子(LGFO)的模糊增强处理,重构前对各增强子图像赋予不同的权值,通过小波包图像重构实现对原始图像的加权模糊增强处理,获得细节丰富、对比度强的高质量增强图像。在基于边缘测度与噪声标准差的增强图像质量评估标准下,算法实现了模糊参数的自适应寻优。实验表明,增强图像轮廓准确、细节丰富。

DICOM数据的动态边界检测

根据广义模糊集理论,提出了用于DICOM数据的动态边界检测算法。该算法可以动态提取DICOM数据的多种边界。既可以忽略细节提取DICOM数据的粗略边界,也可以增强细节提取DICOM数据的细节边界。文献[5]和[8]是该算法的特例。最后给出彩色图像的动态边界检测方法。

一种基于三维医学图像的对比度模糊增强算法

由CT、MRI断层切片重建出的三维医学图像可以划分为目标区和背景区两部分,进行医疗诊断的信息主要集中在目标区,因此在图像进行处理时应合理区分两部分并采用不同的方法进行处理。文章针对这一问题,提出了一种三维医学图像的对比度模糊增强算法;该算法能够将三维图像目标区与背景区分开,并单独对目标区进行模糊增强处理。实验表明了该算法的有效性和可行性。

自适应双线性广义模糊增强的图像轮廓提取

在模糊集合论(FS)和广义模糊集合论(GFS)的基础上,构造出用于模糊增强图像区域对比度的新型线性广义模糊算子(LGFO),理论分析并验证了其性质。提出了一种自适应双线性广义模糊增强算法用于提取图像边缘轮廓,该算法利用线性广义隶属度变换函数与LGFO,实现了灰度图像空间与广义模糊空间的相互转换,空间转换过程中对线性广义模糊隶属空间实施了线性广义模糊增强处理,最终在灰度图像空间中使用"MIN"算子提取图像轮廓。该算法还使用可检测边缘度与噪声标准差之商作为图像增强的评估标准,自动选择模糊参数D,实现了线性广义模糊增强图像的自适应优化。实验表明,该算法快速无失真,适用于彩色图像,提取的图像轮廓准确、层次分明。

GFO在边缘检测中的关键参数定量计算研究

GFO(广义模糊算子 )作为一个全新的边缘检测算子 ,以其精确的定位、绝对的一对一性能、细腻的边缘等优良特性引起了图像研究人员的注意 .但是 ,由于GFO的关键参数需要凭经验人为给定 ,给GFO的推广带来了一定的困难 .本文提出了一种GFO应用于边缘检测中的关键参数的定量计算公式 .实验结果表明依据此公式计算而来的参数进行GFO边缘检测 。