梁艳[1]2008年在《基于B样条小波变换的图像边缘检测技术研究》文中研究表明图像的边缘体现了重要的景物结构,往往携带了一幅图像的重要特征信息。边缘检测主要用于图像处理、机器视觉和模式识别中,是至今未得到圆满解决的经典技术之一。因此,寻找一种适用于多种图像且抗噪性能较好的边缘检测方法,成为一个亟需解决的问题。本文中所做的主要工作如下:(1)对传统经典的边缘检测算法进行分析比较,并参照仿真结果说明各方法的优缺点;(2)基于小波变换理论,详细介绍了B样条小波函数,将其与现阶段较好的边缘检测canny算子中所用到的Gaussian平滑函数进行比较,证明B样条小波函数抗噪的优越性,并对三次B样条函数进行仿真;(3)用三次B样条检测算法,对多组含有不同噪声的图像进行边缘检测仿真实验,同时进行抗噪性能的仿真测试,图像和数据结果都证实了本文方法较canny算子的优越性;(4)对含有不同细节量的图像进行本文方法的检测,分别将其应用在细节量较少、中等以及较多的图像中,并于canny算法进行比较。(5)将三次B样条小波边缘检测应用到图像融合中,并与经典的基于小波融合方法进行比较,得出融合客观评价结论,证明了此方法的可行性。理论分析和实验结果表明:三次B样条小波边缘检测算子滤波器模板系数简单,大大减少了计算量,对含不同噪声的图像,在主观视觉和客观数据评价上其抗噪性能都优于canny算子;对含有不同细节量的图像,该方法更适用于细节量中等以及较少的图像,且结果优于canny算法;将三次B样条边缘检测法应用在图像融合中,更好地突出了边缘细节,使轮廓更加鲜明,但对于有些细节较多的图像,由于此方法对边缘较敏感而会造成融合图像中边缘点较多的现象。这也是在以后学习中需要改进的地方。经过多次实验测试,该算子展示了较好的抗噪性能,但在边缘检测上也存在一定局限性,随着处理图片的不同具有不同的检测效果。因此,在处理图片时需要根据不同特性的图像来选择其合适的检测算子,甚至要对算子进行某种程度的改进。
许春梅[2]2010年在《基于小波变换的图像边缘检测方法研究》文中研究指明边缘是图像的最基本特征之一,它包含了图像的大部分信息。图像边缘检测是图像处理中最基础的问题之一,也是一个热门研究方向,在工程、军事、医学等方面都有广泛的应用。很多学者进行了深入的研究,做了大量的工作,也取得了一定的研究成果。到目前为止,已提出许多图像边缘检测算法,但由于实际图像往往不同程度的含有噪声,噪声和边缘在空间域上都表现为灰度值比较大的变化,在频域上都是高频分量,这使得两者很难清楚区分,给边缘检测带来了难度。边缘检测是至今没有得到圆满解决的经典技术之一。小波分析是在Fourier分析的基础上发展起来的新的时频域分析工具。利用小波分析的良好的时频局部化特征和天然的多尺度特性,来检测和分析信号的奇异性,得到很好的效果。使用小波多尺度边缘检测可以比传统的算法更好的检测出图像的边缘,能够滤除大部分噪声,具有较强的抑制噪声能力。本文首先对边缘检测理论简单介绍,介绍了它的研究方式、现状及应用。其次研究了小波分析基本理论,为后面小波边缘检测奠定了理论基础。对经典的边缘检测算子进行详细的理论分析和MATLAB仿真实验,通过比较仿真结果,分析了他们的优缺点。再次,论述了小波边缘检测算法原理,并用MATLAB进行了仿真实验,用小波多尺度特性展示了在各个尺度上的图像边缘检测结果,分析了小波多尺度边缘检测算法的特点。最后,针对小波边缘检测算法存在的问题,提出了B样条小波边缘检测改进算法,选用3阶B样条小波函数,采用小波局部模极大值多尺度方法进行边缘检测。通过分块自适应方法选取阈值,设置链长阈值进一步删除短链。用传统的Canny算法和小波边缘检测改进算法对含有不同噪声的图像和含有不同细节的图像进行大量的仿真实验,从检测结果和实验数据两方面验证了小波边缘检测改进算法能滤除大部分噪声,具有较好的抑制噪声能力,能有效的检测出图像的边缘,误检率较低,本文算法能在边缘定位精度和噪声抑制之间达到一个较好的平衡,优于传统的Canny算法。同时也指出本文算法的局限性,对含有大量噪声的图像和含有大量细节的图像的检测效果不理想,对这两类图像本文算法不适用。总的来说,本文算法要优于传统的Canny算法,是一种有效的边缘检测算法。
孙琰[3]2004年在《基于小波变换的图像边缘检测技术》文中研究说明现代战争正在向信息化发展，作为典型信息化兵器的精确制导武器已经被广泛的应用于战争。成像制导技术是当代精确制导技术的发展主流和方向。在成像制导技术中，首先要进行目标图像的目标提取和识别。在目标图像的目标提取和识别中最基本的图像处理技术就是图像边缘检测技术。 本文以基于小波变换的边缘检测技术为基础，在小波多分辨分析的框架下构造基于边缘检测的两类B样条单正交小波基函数，并改进现有的基于小波变换的边缘检测算法。 主要工作如下： (1)深入研究图像边缘检测技术和小波变换理论。 (2)在分析Canny边缘检测算法和LoG边缘检测算法的基础上，针对高斯滤波器存在过度光滑图像和丢失缓变边缘的问题，采用基于小波变换的边缘检测算法。 (3)根据边缘检测的评价准则，参照最佳边缘滤波器的设计要求，确定用于边缘检测的小波基函数的一般准则，并在此基础上构造两类B样条小波函数。采用自适应平滑滤波锐化图像边缘，再进行小波边缘检测算法，提出改进的基于B样条小波变换的边缘检测算法。 (4)提出基于改进的B样条小波变换的自适应阈值图像边缘检测算法。
张瑜[4]2012年在《微根窗根系的图像处理方法研究》文中研究说明根系是植物从土壤中获取营养的重要器官,其生长状况对植物有着至关重要的影响,而且根系通过与土壤形成复合结构体的方式,起到了固定植物地上部分以及固定土壤防止水土流失的作用,同时在生态系统循环中根系的碳汇作用也是不可忽视的。由此可知对根系进行研究的意义是非常重大的,但是由于根系隐藏于地面以下,很难对根系进行直接的观察。微根窗技术的提出为人们对植物根系的研究带来了极大的方便。本论文在国家自然科学基金资助项目(30972424/C0414)的支持下,对微根窗技术获得根系图像的处理技术进行研究,提高了根系图像处理的速度与精度,同时还在此研究基础上对植物的根系形态参数测量方法进行了分析与研究。本文的主要研究内容有以下几个方面：论文提出使用模糊算法对噪声进行分类,将噪声分为高斯噪声、处于边缘的脉冲噪声以及处于图像平坦区域的脉冲噪声,分别采用模糊加权均值滤波、双向多级中值滤波和单向多级中值滤波的方法进行滤波处理,自适应分类滤波算法去除图像噪声的同时较好地保护了边缘细节。对微根窗采集到的根系图像进行图像增强及去噪,减小原始模糊图像边缘的宽度,为后续图像处理做准备。通过图像拼接将微根窗获取的多幅根系局部图像拼接为完整的根系图像,以获得较为全面的根系形态分布。本研究提出相位相关法与特征点匹配相结合的方式进行图像拼接。改进后的Harris角点检测算法提高了对灰度变化的敏感性及定位的准确性；改进角点响应函数解决了原有函数中K值设定的随机性；根据首图像处理结果自动设定后续图像角点响应函数的阀值T；对完成匹配的图像进行亮度调节。论文中根据Canny三准则选择三次B样条小波函数进行自适应阀值多尺度根系图像边缘特征提取,并将检测后的多幅图像进行数据融合得到准确的根系边缘特征图像。通过对数学形态学的开闭操作进行根系的形态分布及参数测量。利用膨胀和腐蚀等技术对所提取的根系边缘特征图像的毛刺、凹陷、间断及孤立的小孔进行处理,利用数学形态学的薄化运算对根系边缘图像进行细化,为后续根系形态参数测量提供数据来源。根据图像像素与实际尺寸存在的线性关系及根系形态参数的几何性质进行根系的长度、表面积、平均直径、体积以及根系间的夹角等形态参数测量。本论文通过对微根窗获取的根系图像进行增强及去噪,图像拼接,根系边缘特征提取及形态参数测量,实现了根系图像的精确采集及测量,为植物根系重构以及后续的固土机理研究,碳汇作用研究及气象预报方面提供了详实准确的数据来源。
郑海疆[5]2006年在《小波理论在图像边缘检测中的应用研究》文中指出图像边缘检测是一种重要的图像预处理技术,广泛应用于轮廓、特征的抽取和纹理分析等领域。本论文重点研究了小波分析技术,脊波分析技术和曲波分析技术在图像边缘检测中的应用。小波多分辨率分析思想是对调和分析等一系列新的分析方法的总结。它以多尺度理论为基础,具有时-频局部化特点和多尺度特性,能够有效的分析信号的奇异性,因此小波分析技术可以检测图像边缘,又能有效抑制噪声,在图像处理领域得到了广泛应用。本论文围绕小波多尺度分析和小波变换的性质,用三次B样条小波滤波器提取图像边缘,并对信号的奇异性和边缘结构分类做了详细的讨论。脊波变换是应用现代调和分析的概念和方法,并在小波分析和群展开理论中发展起来的技术,脊波能够有效地表达二维以及高维空间中的直线状奇异性,所以在检测大尺度直线时,其检测效果优于小波变换。本文简要的介绍了Radon变换和脊波变换的基础理论,并应用Radon变换和脊波变换从噪声背景中提取大尺度直线边缘。实验结果表明,在噪声背景下提取大尺度直线特征方面,脊波变换比小波变换对噪声的抑制更有效。曲波变换是在脊波变换的基础上发展起来的,对具有曲线奇异性的目标,曲波能够对其进行稀疏表示。曲波综合了脊波擅长表示直线特征和小波适合于表示点状特征的优点,并充分利用了多尺度分析的优势。对曲波的变换系数进行简单的阈值处理,就可得到或超过一般小波检测的效果。本文简要介绍了曲波变换的基本理论,并对曲波变换在边缘检测中的应用做初步的探讨,用实验证明了曲波变换相对于小波变换在边缘检测中的优越性和可行性。
刘利[6]2006年在《小波分析在图像测量技术中的应用》文中认为边缘检测技术在图像测量中占有重要的地位和作用，因为边缘检测是图像分割的核心内容，而图像分割又是从图像处理进入图像分析的关键步骤，也是图像理解的基础。所以边缘检测一直是图像测量技术研究中的热点和焦点，从而导致边缘检测的算法层出不穷。然而，在实际的应用开发中，我们发现现有的边缘检测算法对目标的检测和识别，多数达不到令人满意的结果。随着小波分析理论的不断研究和发展，其应用领域渐渐扩展到图像处理方面。 小波分析是继Fourier分析之后新的时频域分析工具。在图像处理领域，其应用包括图像生成、图像预处理、图像压缩与传输、图像配准、图像分析、特征提取与图像分类等图像处理的几乎所有阶段。本文对小波分析在图像测量技术中的应用进行了研究。 传统的边缘检测是基于一阶导数极大值或二阶导数零交叉的定义。这种定义对噪声非常敏感，因此边缘检测需要通过图像平滑在大尺度下进行。但是在大尺度下进行边缘检测的一个缺点是边缘位置容易发生偏移。这对于基于边缘特征的图像测量而言会造成误识别。由于小波分析具有良好的多尺度边缘检测性质，使得小波变换用于边缘检测的理论和应用都得到了极大的发展。
廖剑利[7]2005年在《基于小波变换的图像边缘检测方法研究》文中研究表明根据Marr计算机视觉理论,图像边缘检测在计算机视觉研究中占据着重要地位。但由于问题本身的复杂性和技术手段的限制,图像边缘检测这一经典问题的研究困难重重。小波变换分析是近十年来在工具和数学方法上的重大突破,其卓越的时频分析本领,为这一计算机视觉问题的研究带来了新的契机。但是,由于小波理论产生的时间不长,其理论还算不上很成熟,应用中缺少完全行之有效的应用方法与步骤,这使得小波变换的应用比Fourier变换的应用复杂困难得多。针对这种情况,本文尝试将小波变换分析应用于图像的边缘检测这一计算机视觉中的重要环节,结合问题的需求,研究小波变换的特性,选择恰当的小波基函数和小波变换形式,提出问题解决的新思路和新方法。 本文主要工作如下: (1)深入研究小波变换理论和图像边缘检测理论方法。 (2)根据边缘检测的评价准则,参照最佳边缘滤波器的设计要求,确定用于边缘检测的小波基函数的一般准则,同时得出了“最佳”边缘检测小波——二次B样条小波。本文提出了一种局部自适应阈值选取方法,进而提出一种改进的二次B样条小波图像边缘检测方法。 (3)本文通过提升算法实现了不可分离小波变换,在此基础上提出了一种新的基于“五株形”栅格排列的提升不可分离小波图像边缘检测方法,并通过试验证明了新方法较传统的小波边缘检测方法更具优越性。 (4)根据可操纵小波多分辨率分析的原理,设计实现了基于二维多方向微分的小波滤波器组,利用多方向微分特征,构造了图像边缘检测的新方法。通过仿真试验并将其与Canny算法和传统的B样条小波边缘检测算法进行比较,证明了该方法的有效性和优越性。 本文使用MATLAB作为仿真实验平台对上述研究进行了验证和分析。
郑智红[8]2011年在《基于B样条小波变换的图像边缘检测》文中研究表明边缘是图像的最基本特征之一,包含了图像的大部分信息。如何提高边缘检测的准确性,使边缘提取算法具有更高的抗噪能力而又能完整的定位边缘是边缘检测中的经典难题。本文对三阶B样条小波变换及其在边缘检测上的应用进行了研究,对局部模极大值的选取和阈值的设置提出了改进。本文主要工作如下：1.研究了边缘检测的几种经典检测算法,在MATLAB环境下进行了实验仿真,比较了各算子的优缺点。2.研究了小波变换的基本理论,在一维小波变换的基础上扩充了二维小波变换。结合多分辨率分析和Mallat算法,研究了小波多尺度边缘检测算法的实现方法。3.研究了B样条小波函数与高斯函数作为平滑函数的不同,通过对比,本文确定使用三阶B样条小波函数作为平滑函数,并设计出了三阶B样条小波函数的平滑滤波算子。4.研究了局部模极大值的选取和阈值的设置问题,提出了自己的改进方法。在选取局部模极大值时借助了Canny算子的非极大值抑制方法,在设置阂值时借用了Contourlet变换自适应阈值方法,提出如下改进：将图像分成若干个小块,求每小块模极大值的平均值,将此平均值与一常数相乘,相乘结果再与另一常数相加,将最后的相加结果作为这个小块的阈值。在MATLAB环境下对本文提出的边缘检测方法进行了实验仿真,并与Canny算子进行了比较。实验结果表明,本文方法具有更好的抗噪能力。
居刚[9]2006年在《基于B样条小波变换的医学影像边缘提取》文中进行了进一步梳理医学图像中的边缘信息是进一步进行医学图像分析和处理的基础,且图像中包含的肌肉、血管等干扰信息较为丰富,进行边缘提取非常困难。传统的边缘检测算子大都基于边缘的灰度不连续性,利用梯度局部最大值或二阶导数过零点来检测边缘,容易受噪声干扰。尺度空间滤波能在大尺度下抑制噪声,在小尺度下精确定位,最后由粗及精地进行边缘聚焦而得到边缘的真实位置,但是传统的基于Gauss尺度空间的Canny算子计算量大,定位不够精确,而基于小波变换的多尺度边缘检测方法弥补了上述不足。 小波变换是80年代后期发展起来的一种信号处理方法,具有时域和频域上良好的局部检测能力和多分辨分析的特点,因而被誉为“数学显微镜”。本文用三次B样条小波作为小波基函数,基于Mallat快速算法对医学图像进行二维小波变换。为了避免滤掉一些较弱的边缘,采用自适应平滑滤波锐化图像的边缘,在B样条小波的边缘检测算法的基础上,加入自适应平滑滤波,提出采用自适应阈值的改进的B样条边缘检测算法,得到了综合各个尺度特征的较好的医学图像的边缘。最后介绍了图像阈值选取方法,模糊图像边缘的提取方法以及图像对比度的增强方法等一系列边缘提取的后处理工作。
何培培[10]2008年在《脑部CT图像处理研究》文中指出近20多年来,医学影像已成为医学中发展最快的领域之一,被广泛应用于诊断和治疗,使临床医生对人体内部病变部位的观察更直接、更清晰,确诊率更高,也成为了必不可少的手段和工具。而医学图像的分析和处理是医学影像技术极为重要的一个环节,运用一些图像处理技术能有效地对现有医学图像进行深层次处理,如去噪、边缘提取以及分割等,从而提高对医学图像信息的利用率,有助于实现对病变特征信息的提取,并提高诊断准确率。本文首先介绍了医学图像处理技术的发展现状,然后介绍了医学图像中CT图像的特点及CT图像的成像基本原理,重点论述了脑部CT图像去噪、边缘检测和分割的方法。在对脑部CT图像的去噪处理过程中,本文针对生物医学信号是典型的非平稳信号,具有很强的背景噪声,处理起来较困难的特点,引入了一种基于DEMD方法的脑部CT图像去噪方法,它可以有效地去除噪声的干扰,充分保留信号的局部特征。在对脑部CT图像进行边缘检测过程中针对脑部CT图像中的病灶大多是弱边缘的特点,使用结合嵌入可信度的B样条小波边缘检测和小波模极大值算法进行边缘检测。此外,结合经验模式分解理论、LAWS纹理能量测度和模糊聚类知识,本文提出基于经验模式分解方法的CT图像分割。实验结果表明本文提出的算法与其他方法相比,去噪效果较明显,可检测出较为准确和清晰的图像边缘并很清晰地提取出病变区域轮廓,分割结果较为理想。
参考文献：
[1]. 基于B样条小波变换的图像边缘检测技术研究[D]. 梁艳. 武汉理工大学. 2008
[2]. 基于小波变换的图像边缘检测方法研究[D]. 许春梅. 西华大学. 2010
[3]. 基于小波变换的图像边缘检测技术[D]. 孙琰. 西北工业大学. 2004
[4]. 微根窗根系的图像处理方法研究[D]. 张瑜. 东北林业大学. 2012
[5]. 小波理论在图像边缘检测中的应用研究[D]. 郑海疆. 厦门大学. 2006
[6]. 小波分析在图像测量技术中的应用[D]. 刘利. 太原理工大学. 2006
[7]. 基于小波变换的图像边缘检测方法研究[D]. 廖剑利. 湖南大学. 2005
[8]. 基于B样条小波变换的图像边缘检测[D]. 郑智红. 西北大学. 2011
[9]. 基于B样条小波变换的医学影像边缘提取[D]. 居刚. 合肥工业大学. 2006
[10]. 脑部CT图像处理研究[D]. 何培培. 长沙理工大学. 2008
标签：计算机软件及计算机应用论文; 边缘检测论文; 小波变换论文; 图像处理论文; 边缘提取论文; 图像融合论文; 阈值分割论文; 函数图像论文; matlab小波变换论文; 图像噪声论文;