一种基于小波变换的边缘检测算法

目的 利用小波变换,完成图像边缘的检测,提取能表征图像概貌的重要特征.方法 学习并比较几种边缘检测方法,结合小波变换的多尺度特性,对小波变换分解的近似系数和高频系数进行处理,构建模值和幅角图像,提出一种基于小波变换的图像边缘检测算法.结果 在MATLAB R2018b环境下,首先以屋顶图像为例,将算法与Roberts算...     

一种新的基于小波变换的边缘检测算法

提出了一种新的基于小波变换的图像边缘检测算法。该算法首先按水平、垂直和对角方向对图像进行多尺度二进制小波变换,提取3个方向的小波系数。然后采用相邻尺度小波系数相乘的方法去除噪声,提取小波系数乘积的极大值点。最后将这3个方向上的极大点进行融合,形成图像的边缘。仿真实验表明,该算法具有较好的边缘检测和抑制噪声的能力,边缘检测效果明显优于传统的边缘检测方法。     

小波变换的模极大值在图像边缘检测中的应用研究

边缘检测在图像处理中有着重要的作用.依据canny算子的核心思想,运用小波分析技术,提出了一种基于小波变换的模极大值边缘检测算法.仿真结果表明:该算法能提取图像较弱的边缘,有较好的去噪效果,且边缘有较强的连续性.优于传统的边缘检测算子.     

基于小波变换的图像边缘检测技术的改进

边缘检测是图像处理的主要内容之一.由于存在噪声,经典算法的图像边缘检测效果不好,针对其缺陷,应用小波变换对图像边缘进行检测,能得到较好的边缘,但是去掉了一些模糊的、弱的边缘.因此,采用自适应阈值的改进型小波边缘检测算法,在消噪的同时,可以很好地保留微弱的边缘.通过实验结果的比较,证明了这种方法的有效性.     

改进的小波变换模极大值检测图像边缘的方法

提出了一种改进的基于小波多尺度多分辨率特征的数字图像的边缘检测算法,分别利用不同尺度小波变换后的水平方向和垂直方向高频信息,根据李氏指数与小波变换关系,采用小波模极大值在不同尺度下传播的特性,检测出图像在2个方向的极大值,然后利用模糊算法构造相应的隶属函数,提取弱边缘信息,最后得到不同尺度下的边缘图像。本算法可以兼顾良好的边界定位、噪声抑制和弱边界检测等性能指标,可以有效解决传统边缘检测方法中存在的搞定为精确及强去噪能力之间的矛盾。     

基于内容的医学图像小波融合算法

针对CT和 MR医学图像的融合增强问题,基于小波变换方法,引入边缘检测和二值化处理的思想,对小波变换的融合规则进行改进,即在低频子带融合规则中引入边缘检测图像以保护图像轮廓信息,在高频子带融合规则中引入二值化图像以保护图像的细节信息。数值试验结果表明,该算法能在融合图像中较好地保留边缘和细节信息,使得合成图像更加清晰完整。     

基于提升小波变换的火灾图像识别

基于提升算法的小波变换具有算法简单、运算速度快、占用存储空间小的特点[1,2].针对火灾图像实时性强、火焰边缘含有大量火灾特征信息等特点,结合图像处理技术和小波分析理论,提出基于提升小波变换的火灾图像识别方法.运用小波提升算法提取视频帧图像的边缘,通过火焰面积判据和火焰尖角判据识别是否有火灾发生,实验证明基于提升小波变换的火灾图像识别方法准确性高,实时性强.     

基于小波变换的指纹图像增强算法

小波变换在对图像进行增强处理的过程中也对图像中存在的噪声做了同样的处理,在增强图像边缘细节的同时没有很好的进行图像消噪。针对这些不足,对传统的小波变换算法进行了改进。基于Mallat算法对小波分解和重构,在分解后保持低频信息的不变性,并利用小波系数的变换使图像信息得到增强,同时具有一定的图像消噪效果,该方法与传统的小波变换算法相比在图像增强处理中具有更好的效果。     

基于提升小波变换的薯类视觉图像滤波处理

对农产品检测过程中所获得的视觉图像中时常出现的噪声滤波问题进行研究,以薯类视觉图像为例提出了一种基于提升小波变换的自适应滤波算法。该算法首先采用分解、预测、更新对噪声图像进行单层提升小波变换,保留低频分解系数不变;其次对高频分解系数采用自适应Canny边缘算子进行边缘轮廓提取,保留边缘轮廓,对图像剩余部分进行有针对性地自适应滤波;再提出一种新型小波阈值函数模型对低频分解系数进行噪声抑制,最后进行分解系数重构。为了进一步改善滤波后图像的视觉效果,采用自适应同态滤波进行增强处理。仿真结果表明,该算法对薯类等农产品视觉图像中噪声的处理比小波阈值法、自适应中值滤波算法有优势。     

模极大值法与尺度独立法在稻米边缘检测中的模拟研究

稻米图像边界是阶梯型边界,在稻米图像的边缘检测中,利用模角分离的小波变换,结合尺度独立的算法提取了阶梯型边界,但得到的边缘图像存在边界不连续和边缘响应次数不唯一的问题。而小波变换的模极大值法检测出了所有类型的边界,其中包括不需要的边界。本文提出一种边缘检测方法,将尺度独立法与模极大值法的优点结合,在稻米图像的边缘检测中取得了理想的结果。     

基于Contourlet变换和交替方向法的压缩感知图像重构算法

在传统的基于压缩感知的图像重构中,小波变换往往用来将图像稀疏表示,但小波变换并不能很好的表现图像的轮廓和纹理等细节信息。提出了一种基于Contourlet变换和交替方向法的压缩感知图像重构算法:首先利用Contourlet变换将图像稀疏表示,然后利用交替方向法重构原始图像。与基于小波变换的方法相比,该方法不仅可以显示更多的图像的边缘和轮廓信息,在重构精度上也占优。数值试验也验证了新算法的有效性。     

基于形态学和小波变换的图像边缘检测方法

电力机房图像边缘提取是实现电力机房三维重建的重要辅助环节,机房图像边缘提取越精准,三维重建将会更准确.本文提出一种融合小波变换模极大值和多尺度多结构形态学的图像边缘检测算法对电力机房图像进行处理.首先,对原始电力机房图像进行小波分解得到高频图像和低频图像;然后,采用小波变化模极大值算法提取高频图像的边缘信息,多尺度多结构数学形态学算法提取低频图像的边缘信息;最后,通过叠加运算融合高频和低频的边缘信息,得到原始图像的边缘信息.通过仿真实验表明,本文提出的边缘检测算法在抗噪性能、边缘连续性、定位精度上综合实力最强.     

一种基于曲波变换的遥感图像融合新算法

作为一种新的多尺度分析方法,曲波（Curvelet）比小波更适合提取图像中的细节信息,能够更好的表达边缘信息。提出了一种基于曲波变换的遥感图像融合新算法。首先对原图像进行曲波变换,然后在高频和低频域分别采用不同的融合规则融合曲波系数,最后通过重构得到融合图像。从信息熵、空间频率及光谱扭曲程度方面对融合效果进行了客观评价,并与基于Brovey变换、PCA变换与小波变换的融合结果进行了比较。结果表明,该算法在保留原始图像光谱信息能力方面优于其他变换算法。     

综合小波和模糊方法的图像边缘检测

为了更好地对图像边缘进行检测,提出一种基于小波局部极大模和模糊方法相结合的图像边缘检测算法．它将图像分为高频和低频部分分别进行处理．高频部分利用小波局部极大模的方法进行边缘检测,低频部分则利用模糊方法进行处理,并对两种边缘图像进行了融合．试验结果证实了该算法的可行性．     

基于Curvelet和小波变换的纹理图像识别

提出了一种基于Curvelet变换与小波变换相结合的纹理图像分类算法.小波变换在分析点奇异信号时具有良好的性能,而Curvelet变换更适合分析图像中的曲线或直线状边缘特征.算法通过提取两者分解子波段的统计学和灰度共生矩阵特征,采用支持向量机对纹理图像进行分类.实验结果表明,和单一的多分辨率变换特征提取相比,该算法具有更高的分类准确率.     

基于离散小波变换的农业图像处理研究

介绍了离散小波变换的定义,从农业工程角度出发,利用二维离散小波变换对农业图像在消噪、增强、压缩和边缘检测方面进行了一些分析和处理,并对离散小波变换图像处理在农业工程的应用前景做了展望.     

基于小波分析的图像边缘检测

本文介绍了数字图像的小波算法的基本原理，论述了二维图像的小波分析的边缘检测的原理，以及小波函数的构造。利用小波分析的边缘检测算法，对原始图像进行检测，具有良好的检测效果。     

基于统计模型和方向小波的图像认证水印算法

设计了一种基于统计模型和方向小波的图像认证水印算法.提出了用方向小波变换生成图像方向流的算法,应用图像的方向流来刻画图像特征.并应用高斯分布统计模型构造出了水印修改的噪声可见强度.通过噪声可见强度筛选出含纹理信息较多的图像分块隐藏图像方向流.用户利用提取出的隐藏方向流信息和用方向小波生成的方向流作相关性检测,实现对图像的认证.该算法有较强的抗JPEG和噪声攻击能力,保证了水印图像的视觉质量和鲁棒性,并实现了盲检测,隐蔽性和安全性好.     

基于小波变换的图像融合算法

图像融合技术的研究目的就是综合不同类型的传感器所获取的图像信息,通过对多幅图像间冗余数据的处理提高图像的可靠性和可观察性,通过对多幅图像间互补信息的处理提高图像的效果。提出了一种基于小波的融合算法,该算法基于小波图像的能量集中在低频子带、细节体现在高频子带的特点,在低频部分对小波系数采用基于局部能量的加权融合方法处理,高频部分采用基于边缘信息的加权算法进行融合。结果表明:所采用的方法避免了图像融合过程中因平均化而出现的模糊现象,融合后的图像内容更加清晰,更容易识别。实践证明,基于小波变换的图像融合可以取得良好的结果和较快的处理速度。     

基于DWT-NLM模型的农产品图像处理算法

提出了一种基于离散小波变换(DWT)和非局部均值滤波(NLM)的农产品图像处理算法。首先对图像进行3层DWT,在变换域中对高频小波系数进行改进小波阈值模型去噪,对原始低频小波系数与去噪后的高频小波系数分别进行重构,得到背景图像和细节图像;再对细节图像进行区域划分,对每个图像区域分别采用NLM算法进行去噪;最后将背景图像和去噪后的细节图像进行叠加处理,得到去噪后农产品图像。引入边缘保持指数(edge protection index,EPI)、均方误差(mean square error,MSE)对试验结果进行评价,结果表明,本研究算法对该类图像的处理取得了较好的效果,且对NLM、小波阈值去噪等算法而言优势较明显。