基于多尺度top-hat分解的红外与可见光图像增强融合

提出了基于数学形态学与尺度空间理论相结合的特征增强融合算法。首先对源图像使用多尺度top-hat变换构造塔形分解的亮、暗细节特征和近似图像,再对源图像对应尺度的亮、暗细节特征应用融合规则,最后依据不同应用需求加权各尺度亮、暗特征得到融合图像。实验表明:文中算法能有效融合并增强源图像细节特征,消除红外源图像因对比度低、灰度值范围较窄、视觉效果模糊等对融合质量的不利影响,并能根据应用需求获得具有不同增强效果的融合图像,从而达到更好的视觉效果,提高融合图像的目标检测和识别能力。

应用形态学top-hat变换的支票方形印鉴自适应分割

为了准确分割支票中的方形印鉴图像,为印鉴真伪自动识别提供无失真的二值待验图像和预留图像,提出一种基于top-hat变换的自适应形态学分割算法。根据支票印鉴的色彩信息和拓扑结构特点得到方形印鉴的灰度图像,将印鉴灰度图像分成4个子区域,以便准确分割印鉴中具有不同笔划结构和背景均匀度的印鉴成份。对每个子区域中的字符和印框分别做top-hat变换增强图像细节后,再用Otsu方法二值化。由于top-hat变换中所用结构元素的尺寸对分割结果有很大影响,本文根据每个子区域中印框和字符的结构特点分别迭代地计算适用于它们的最佳尺寸结构元素。分割了350枚不同支票方形印鉴,分割准确率为99.43%。结果表明,该方法可以准确地分割笔划复杂且分布密集的方形支票印鉴图像,有效地减少分割结果中容易出现的笔划粘结和残缺失真,降低了对原始印鉴图像的质量要求。

基于Top-hat变换的车牌快速搜索与定位

汽车牌照识别是智能交通信息管理系统的核心,从复杂的图像中分割出车牌又是牌照识别的关键。由于图像拍摄过程中存在着随机性,给牌照提取增加了很大的难度。文章在研究国内外牌照分割技术的基础上,提出了基于Top-hat变换的牌照分割方法。实验证明该方法能够很好地实现牌照顶角的快速搜索和定位,将牌照从复杂的背景图像中分割出来。

Top-hat变换在多车牌定位中的应用

为了提高多车牌定位的精度,提出了一种基于Top-hat变换的车牌定位算法。该算法根据车牌纹理的空间分布特点和Top-hat变换的特点,以Top-hat系数为依据,通过平滑、二值化、垂直信息提取、连通、密度计算等多个操作完成车牌定位,该算法可对单、多车牌定位。以实际监控的图像为实验数据,通过对比实验,其结果表明:在不同背景情况下,方法在定位精度、漏判率和误判率等方面均优于其他算法。

基于形态学Top-Hat算子的小目标检测方法

针对红外序列图象中运动弱小目标的检测问题 ,提出了一种基于能量累积与Top Hat算子的小目标检测方法 .该方法是首先设置一定大小的滑动窗口 ,并通过对窗口内的图象序列进行能量累积来去除图象中的随机噪声 ,以提高目标的信噪比 ;然后对能量累积后的图象采用形态学中的Top Hat算子完成候选小目标的检测工作 ;最后利用序列图象中目标运动的连续性和轨迹的一致性来筛选出真正的目标 .同时进行了该方法与传统高通滤波检测方法 ,在抗噪声性能、背景抑制性能以及抑制虚警目标性能等方面差异的比较实验 .实验结果表明 ,基于能量累积与Top Hat算子的小目标检测方法在这 3个方面都优于高通滤波法 ,它能够快速、可靠检测出低信噪比的运动小目标 .

基于自适应多尺度自互补Top-Hat变换的轴承故障增强检测

针对实际工程中滚动轴承冲击性故障特征难以提取的问题,提出一种自适应多尺度自互补Top-Hat(Adaptive multi-scale self-complementary Top-Hat,AMSTH)变换方法用于轴承故障的增强检测。自互补Top-Hat变换在消除信号中背景噪声的同时,能有效增强故障振动信号的冲击特性,而构造的多尺度自互补Top-Hat变换方法,可以较有效地兼顾抗噪性能和信号的细节保持。在分析形态学滤波的基础上,提出采用特征幅值能量比(Feature amplitude energy radio,FAER)的方法自适应确定最优结构元素的尺度,并应用于轴承的故障增强检测。通过对仿真信号和实测轴承滚动体、内圈故障信号进行分析,结果表明该方法可有效增强滚动轴承的故障检测,并且在运算效率和提取效果方面优于基于信噪比标准的多尺度形态学开-闭和闭-开组合变换方法。

多方向Top-Hat变换在叶脉特征提取中的应用研究

叶脉是植物叶的内在特征和识别植物的重要特征,叶脉特征的提取有利于植物叶自动识别。针对叶脉复杂多变使得叶脉难于提取的特点,提出了多方向Top-Hat变换的叶脉特征提取方法。该方法采用Gauss梯度计算叶图像上各点方向,采用多方向Top-Hat算子进行Top-Hat变换,最后阈值分割提取叶脉。实验结果表明,与传统方法相比,该方法提取叶脉更精确,为下一步植物叶识别打下了良好的基础。

基于Top-Hat变换的高光谱吸收特征增强方法

对地物高光谱进行特征分析是高光谱影像用于目标识别和地物分类的基础。基于数学形态学的Top-Hat变换提出了一种光谱吸收峰增强算法。该方法在增强吸收峰的同时还保持了吸收谱带的波形特征。从美国地质调查局USGS光谱数据库选取的11条不同矿物的反射光谱曲线,对其吸收峰增强曲线和原始光谱曲线进行了K-means聚类分析。结果表明:吸收峰增强曲线的聚类结果在波形上和地质背景上都优于原始光谱曲线;且将吸收峰增强曲线的聚类的结果用矿物光谱的ASTER影像采样光谱曲线显示时,能总结出各组矿物的ASTER光谱典型特征。说明吸收峰增强曲线很好地增强了矿物光谱的吸收特征,提高了高光谱的可分性,同时还能为基于多光谱数据的遥感信息提取提供参考,是十分有用的高光谱分析方法。

基于支持度变换和top-hat分解的双色中波红外图像融合

为了解决用多尺度top-hat分解法融合双色中波红外图像时经常存在对比度提升有限、边缘区域失真较重的问题,提出了基于支持度变换和top-hat分解相结合的融合方法。先用支持度变换法将双色中波图像分解为低频图像和支持度图像序列;再从最后一层低频图像中用多尺度top-hat分解法提取各自的亮信息和暗信息;用灰度值取大法分别融合亮信息和暗信息;通过灰度值归一化和高斯滤波分别增强亮、暗信息融合图像;然后融合两低频图像和亮、暗信息增强图像;将融合图像作为新的低频图像和用灰度值取大法融合得到的支持度融合图像序列进行支持度逆变换,得到最终融合图像。该方法的实验结果同采用单一的支持度变换法融合和多尺度top-hat分解法融合相比,融合图像的对比度提升了11.69%,失真度降低了63.42%,局部粗糙度提高了38.12%。说明提出的从低频图像提取亮暗信息,并经过分别融合、增强,再与低频图像进行融合,能有效破解红外融合图像对比度提升和边缘区域失真度降低之间的矛盾,为提高图像融合质量提供了新方法。

多尺度top-hat变换提取细节的对比度增强算法

针对传统对比度增强算法对图像增强的不足,提出一种基于形态滤波重构原图像的对比度增强方法。该方法使用多尺度top-hat变换提取图像多尺度下的亮、暗细节特征,并根据多尺度下局部细节特征的重要性,利用非线性函数对这些特征进行反差增强,突出图像隐藏的信息。实验结果表明,与传统算法相比,该方法有效的增强了图像的对比度,且能抑制噪声放大,视觉效果更好,避免了传统对比度增强算法存在的过增强或细节增强不足的问题,适用范围较广。

基于倒谱预白化和形态学自互补Top-Hat变换的滚动轴承故障特征提取

为了消除振动信号中离散频率分量和强背景噪声对提取滚动轴承故障特征频率的干扰,提出了一种新的基于倒谱编辑(Cepstrum Editing Procedure,CEP)预白化和形态学自互补Top-Hat变换的方法用于滚动轴承的故障特征提取。CEP能够去除故障振动信号中的周期性频率成分,剩余只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号,通过分析构造的形态学自互补Top-Hat变换滤波器,提出采用故障特征幅值能量比(Feature Amplitude Energy Radio,FAER)的方法自适应确定最优结构元素的尺度,预白化信号经过形态学滤波有效消除了背景噪声的干扰,提取了较为清晰的轴承故障特征频率。对实测轴承滚动体、内圈故障信号进行了分析,结果表明该方法可有效提取滚动轴承故障冲击成分并抑制噪声。

一种基于Top-hat的乳腺图像中钙化点的检测方法

钙化点是乳腺癌早期的一个主要放射学征象。为了实现数字乳腺图像中钙化点的自动检测,提出了一种基于Top-hat算子的钙化点检测方法。该方法采用形态学中的Top-hat算子对图像的背景进行抑制,然后结合孤立钙化点的灰度、纹理和对比度等特征对乳腺图像中的钙化点进行检测。与一般的检测方法相比,这种方法能够有效地检测到强背景中的弱小钙化点目标,而且检测结果贴近于钙化点病灶的真实形状。

基于小波变换和改进Top-Hat滤波的红外小目标检测

提出了一种基于小波变换与改进Top-Hat滤波的有效地红外小目标检测算法。该方法首先对红外图像进行单层小波分解,分别得到近似、水平、垂直和对角四个分量;接着,对近似分量进行改进Top-Hat滤波,并将滤波结果与原近似分量进行差分,得到差分图像,将其再与水平分量进行融合形成新的近似和水平分量。同时将垂直和对角分量的小波系数置零,进行小波重构。最后,为了进一步凸显红外小目标,采用了基于直方图的灰度变换方法对重构图像进行增强。实验结果证明本文所提出的算法能准确地检测出红外小目标,且鲁棒性较好。

基于形态学top-hat算子的多传感器图像融合

本文根据形态学top hat算子能够提取图像中极大值与极小值区域的特点 ,将其应用于多传感器图像融合的两个重要领域———多聚焦图像融合和高分辨、多光谱图像融合 .实验中将本文方法与Laplacian塔型变换、子波变换、主分量分析等方法进行了比较 ,结果表明本文所提的基于top hat算子的融合方法具有优越的性能 ,拓广了top

谐波分解结合自互补Top-Hat变换的轴承微弱故障特征提取方法

针对轴承早期故障特征微弱,极易被背景噪声淹没而不能及时检测的问题,提出了基于谐波分解和自互补Top-Hat变换的轴承微弱故障特征提取方法。首先,通过改进广义谐波小波函数,使得信号分解后子带个数和带宽范围不受二进制分解方式的限制,并在此基础上应用谱峭度图方法确定信号中故障特征相对集中的最优频带;然后,对最优频带信号进行多尺度自互补Top-Hat变换,抑制背景噪声的干扰,突出微弱的故障冲击特征,并引入故障特征能量比的方法自适应确定最优结构元素的尺度;最后,通过包络解调提取出轴承微弱的故障特征。对仿真信号和实测轴承全寿命数据分析的结果表明,该方法能较为有效检测出轴承微弱的故障特征,具有较高的工程应用价值。

Top-hat与SVM在乳腺微钙化点检测中的应用

乳腺X线图像中微钙化点的检测对于乳腺癌的早期诊断非常有意义,然而目前常用的钙化点检测方法普遍存在假阳性高的缺点。采用小波与Top-hat算子相结合的方法对乳腺图像进行钙化点粗检测,并在此基础上,用SVM对钙化点粗检结果进一步甄别,去假存真。这样做可以在基本不降低真阳性率的情况下,大大降低假阳性率。仿真实验证明,该方法的钙化点检出率达到98.46%,错检率仅为3.597%,说明该方法能够有效地从复杂背景中提取出微钙化点。

多特征差异决策耦合Top-Hat变换的红外目标检测

为了提高红外图像弱小目标在复杂背景干扰下的检测精度,本文提出了基于多特征相似度差异决策与改进的Top-Hat变换的红外弱小目标检测算法。该算法通过经典的Top-Hat的单一结构元素进行分割,形成多尺度结构元素,并依据弱小目标与其周围背景之间的灰度差异,定义了灰度变化映射,通过计算其均值与方差,构建目标决策因子,并将其与多尺度结构元素嵌入到Top-Hat变换中,形成了新的Top-Hat变换;随后,联合灰度强度、对比度以及结构信息,建立多特征紧密度差异模型,提取包含真实弱小目标与可疑目标的候选区域;最后,基于弱小目标运动的连续性,引入管道滤波模式,将候选区域中的可疑目标剔除,保留真实弱小目标。实验数据表明:与当前红外弱小目标检测算法相比,在复杂背景干扰下,所提算法的检测精度更高,能够将弱小目标完整地检测出来,具有更好的ROC特性曲线。

加权融合特征耦合Top-Hat变换的红外目标检测算法

当前红外目标检测算法在复杂背景干扰下通过单帧技术来实现目标的检测,使其难以过滤固定噪声等虚警,为此提出一种基于多尺度Top-Hat选择变换与加权融合特征的红外目标检测算法。通过对经典Top-Hat变换的结构元素进行分割,形成多尺度结构元素,考虑真实目标与背景的灰度差异,构建多尺度Top-Hat选择变换,从不同尺度提取图像的感兴趣信息,将真实目标从背景中分离出来;考虑序列图像的帧间差异,提取红外目标的运动特征,联合灰度特征与梯度特征,建立加权融合特征模型,精确定位候选目标区域;引入二维Ostu分割机制,对提取的候选目标区域进行分割,完成弱小目标检测。实验结果表明,与当前红外目标检测技术相比,在复杂背景下,所提算法可更好地抑制背景与过滤虚警,具有更高的检测精度与效率。

结合Top-hat变换改善同态滤波的方法

同态滤波是处理照度不均匀引起图像质量下降的有效方法,可以平滑背景,提升对比度,增强图像细节.在实际使用中,每个图像成像的物理条件都不尽相同,同态滤波最佳参数的选择,需要经过大量实验确定,否则效果不佳.Top-hat变换有助于平滑背景,增强图像阴影部分的细节.提出了结合Top-hat变换改善同态滤波的方法,以减少因滤波参数选取所带来的开销.使用Matlab软件进行仿真,通过图像三维可视化效果、均值、标准差、信息熵、图像对比度客观评价处理后的图像.实验表明,此方法不仅降低了同态滤波对参数的依赖同时也增强了滤波效果.

Top-hat和Gaborfilter在肺结节ROI自动检测中的应用研究

在自动诊断大量带有病变区域的CT图像时,计算机辅助诊断起着重要的作用。提出了一种自动检测肺结节感兴趣区域的方法。对肺实质进行分割;利用Top-hat滤波提取包含血管和结节在内的初始感兴趣区域;用Gaborfilter对图像进行第二次处理;对图像进行比对,从而得到更为精确的疑似结节的病灶区域。实验证明该方法能准确完整地提取出感兴趣区域。