基于改进Bregman TV与形态学的NSCT声呐图像融合去噪

传统去噪方法在去除声呐图像斑点噪声的同时,难以拥有很好的细节信息。为此,提出一种基于改进Bregman TV与数学形态学的NSCT声呐图像融合去噪技术。引入图像熵、梯度和边缘强度对Bregman TV的正则参数进行改进,在去噪过程中拥有更多的边缘细节信息。利用新的Bregman TV和数学形态学分别对声呐图像去噪,然后使用NSCT分解为高频和低频,高频拥有大量的边缘信息,低频具有图像细节信息。Bregman TV拥有很好的保边性,数学形态学拥有很好的去噪效果,将2种优势结合,因此采用Bregman TV的高频和数学形态学的低频进行NSCT逆变换,实现图像去噪。实验结果表明,该方法相比于使用基于小波变换和全变分的图像去噪、传统的Bregman TV去噪、数学形态学去噪,更能有效地降低斑点噪声,保留更多的图像细节信息。

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。

像素级图像融合方法分类与比较

图像融合的目的是将同一场景的多幅图像的互补信息合并成一幅新图像 ,以便更好地对场景进行监视和侦察。介绍了像素级图像融合的几种方法 ,按空间域和变换域对各种方法进行了分类 ,并对各种方法进行了比较。

形态金字塔图像分割算法

提出了一种数学形态金字塔图像分割算法,使用形态金字塔算法将图像逐级分解,在不同分辨率空间中对细节信息进一步处理,分割出不同特征区域.SAR图像实验结果表明该算法可以作为一类带通滤波器,提取不同特征区域,实现图像的多分辨率分割.

一种新的小波图像去噪方法

小波图像去噪已经成为目前图像去噪的主要方法之一,目前的研究主要集中于如何选取阈值使去噪达到较好的效果。边缘信息是图像最为有用的高频信息,在图像去噪的同时,应尽量保留图像的边缘信息,基于这一思想,提出一种新的小波图像去噪方法。用数学形态学算子对图像小波变换后的小波系数进行处理,以去除具有较小支持域的噪声,保留具有连续支持域的边缘。实验结果表明,与普通的小波阈值去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比2～5dB,提高信噪比6～10dB。

新的形态学图像降噪方法

提出一种新的基于轮廓结构(CB)元素形态学的多尺度图像降噪方法。考虑到图像在不同尺度下的特性,用基于轮廓结构元素形态学的多尺度算法滤除图像噪声,然后将不同尺度下的降噪图像加权融合在一起,从而得到最终的降噪图像。通过大量实验证明该方法能够有效去除多种不同类型的图像噪声,并在抑制噪声的同时很好地保护了图像的细节和边缘信息。

基于数学形态学的Contourlet变换域图像降噪方法

提出了一种基于数学形态学的Contourlet变换域图像降噪方法。首先对输入的带噪图像进行多尺度、多方向的Contourlet稀疏变换,然后利用数学形态学算子在Contourlet域对高频系数进行处理,去除图像中具有较小支撑域的噪音,有效保留具有连续支撑域的图像边缘信息.最后通过Contourlet反变换得到预降噪图像。仿真结果表明,该方法较一般的Contourlet域收缩阈值降噪方法的降噪效果好,提高了PSNR值并降低了MSE值,获得更好的图像恢复质量。

一种形态金字塔扫描图像去噪方法

为了消除或衰减扫描图像的噪声 ,同时尽可能保留图像细节 ,提出了一种数学形态学金字塔扫描图像降噪方法。使用形态金字塔算法将扫描图像逐级分解 ,在不同分辨率空间中对细节信息集进行滤波处理 ,用处理后的细节信息重图像。仿真结果表明该算法是有效的 ,同传统的中值滤波相比 ,能够更好地消除扫描噪声、保留边缘。

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。

一种基于数学形态学与小波域增强的滤波算法

为了有效滤除图像高斯噪声,将数学形态学与小波域增强相结合,提出了一种高斯噪声新型滤波算法.该算法首先将噪声图像进行二维小波分解,得到低频和高频子图像;然后保留低频子图像不变,对各高频子图像根据其噪声分布特点分别设计出多角度、多结构逐级形态学滤波器进行滤波处理,并进行小波分解系数重构;最后对经过形态学滤波后的图像进行2层小波分解,通过设计出一种新型小波增强函数对不同幅值的小波系数进行不同程度的收缩处理,在此基础上进行分解系数重构.将自适应中值滤波与数学形态学滤波与本文算法进行比较,实验证明本文滤波算法其去噪效果优于前两种算法.

基于数学形态学的金字塔图像去噪

提出了一种自适应提升拉普拉斯金字塔变换与数学形态算子相结合的图像去噪方法.首先对图像进行分解,采用自适应提升拉普拉斯金字塔,然后利用自适应提升拉普拉斯金字塔变换后系数能量的分布特性以及尺度内和尺度间的依赖性,结合数学形态算子的特点,利用数学形态算子对变换系数进行处理,使得重要变换系数与非重要变换系数分离,分别对两个不同的子集采用不同的阈值进行处理后,再将两个子集合起来,进行逆变换重建.实验结果表明,该算法具有良好的去噪效果,同时保留了图像的细节信息,获得了较高的图像信噪比.

利用数学形态学和方向窗的小波域双重局部维纳滤波图像去噪算法

基于小波的图像去噪算法是目前图像处理研究的一个热点。该文提出了一种结合椭圆型方向窗和数学形态学的小波域双重局部维纳滤波图像去噪算法。该算法同时利用了小波域子带的方向信息和图像本身所固有的几何结构:首先使用数学形态学把图像分成纹理区域和光滑区域两部分,然后结合椭圆型方向窗去估计小波域方向子带中每一点的信号方差,最后使用双重维纳滤波器对含噪图像进行去噪。实验结果表明该算法的去噪效果优于其它的采用二维可分离实小波进行图像去噪的算法。

大型锻件尺寸测量CCD图像的去噪算法研究

大型锻件热态尺寸测量一直是技术难题,CCD测量能够实现在线远程测量,但测量过程中图像将不可避免地产生噪声。图像去噪是图像处理中的一个十分重要的问题,直接关系到最终的结果。该文利用数学形态学滤波原理,提出了一种多结构元素和中值滤波混合的去噪方法。试验表明,此方法对于大型锻件图像的噪声具有很好的滤除效果。

渔场夜间监控系统图像去噪算法

针对渔场监控系统中夜间监控图像存在大量噪声的情况,分析了图像主要噪声源,并通过仿真试验分析了各种常见的图像去噪算法,在综合考虑图像去噪平滑效果、图像的清晰程度及图像去噪时间复杂度的基础上,提出了将数学形态学方法和中值滤波方法相结合用于数字监控系统的图像去噪算法。通过试验验证了本算法的可行性、实时性和鲁棒性。

多尺度形态金字塔图像去噪算法

提出了一种多尺度形态金字塔扫描图像去噪算法,采用多尺度形态金字塔将图像进行分解,对第一级细节信号用形态梯度算子、HMT变换删除孤立噪声点;对其它细节信号形态开闭滤波,保留图像结构特征;最后利用处理后的细节信号重建图像。仿真结果表明,同中值滤波相比,算法能够更好地消除扫描图像的噪声,保留更多的细节信息。

基于数学形态金字塔双色融合的红外目标检测

为了提高红外目标检测性能,在分析了数学形态学基本运算的基础上,提出了基于数学形态金字塔的融合检测方法。首先把中波和长波红外图像分解成形态金字塔,建立融合准则,在相应的级上提取特征进行融合,然后重建原图像。在得到的融合图像中,适当地选取阚值,可以有效地把目标检测出来。试验结果表明,该算法优于单波段的目标检测,有较强的实用性。

基于数学形态学的肝脏B超图象的纹理识别

基于数学形态学的理论，分析了肝脏Ｂ超图象的纹理特征，提出了一种纹理特征抽取算法，它具有旋转不变性，通过分类实验与已有的基于数学形态学的特征进行了比较，实验结果表明提出的方法分类精度高，计算量小。

基于小波变换和形态学的医学图像边缘检测

针对传统边缘检测算子对噪声敏感的缺点,结合小波阈值去噪和形态学边缘检测提出一种改进方法。首先对含高斯噪声的图像进行小波分解,然后再通过小波阈值法对高频系数进行处理,采用新设计的双结构形态学边缘检测算子对低频系数进行处理,最后用新系数重构出图像。实验结果表明:这种方法在去除噪声的同时较好地保留了边缘轮廓信息,是一种有效的边缘检测方法且具有实际参考价值。

星图目标检测算法研究

星图识别是星光辅助导航中关键的一步。目前大部分星图目标检测算法均针对模拟星空图进行研究,且往往采用单一算法,算法的实际可行性和效果值得怀疑。针对实际拍摄的星空图,先后利用维纳滤波、数学形态学滤波、软阈值小波去噪和阈值分割等算法进行星图目标检测。处理结果表明了算法的有效性。

基于遗传算法的自适应中值-开闭滤波器

提出了一种新的中值 -开闭滤波器结构 ,并以此为基础设计了自适应中值 -开闭滤波器。该滤波器由一个中值 -开闭滤波器和学习优化模块组成。在学习优化子模块中 ,应用遗传算法 ,通过对含噪声的图像样本进行学习 ,使得该滤波器的结构能根据待滤波的输入图像自动地调整以获得最优的滤波效果。