经验模态分解和形态学在图像边缘检测中的应用

doi:10.3778/j.issn.1002-8331.2010.31.054

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (31): 196-198.DOI: 10.3778/j.issn.1002-8331.2010.31.054

• 图形、图像、模式识别 • 上一篇下一篇

经验模态分解和形态学在图像边缘检测中的应用

蔡剑华^1，2，胡惟文¹，王先春¹

1.湖南文理学院信息研究所，湖南常德 415000
2.中南大学信息物理工程学院，长沙 410083

收稿日期:2009-03-17 修回日期:2009-05-15 出版日期:2010-11-01 发布日期:2010-11-01
通讯作者: 蔡剑华

Edge detection of image using empirical mode decomposition and morphology

CAI Jian-hua^1，2，HU Wei-wen¹，WANG Xian-chun¹

1.Information Institute，Hunan University of Arts and Science，Changde，Hunan 415000，China
2.School of Info-physics and Geomatics Enginerring，Central South University，Changsha 410083，China

Received:2009-03-17 Revised:2009-05-15 Online:2010-11-01 Published:2010-11-01
Contact: CAI Jian-hua

摘要/Abstract

摘要： 针对传统边缘检测算法存在的边缘分辨率较低、抗干扰性较差等问题，提出了一种基于二维经验模态分解和数学形态学结合的图像边缘检测算法。从二维经验模态分解理论出发，把图像分解为多尺度下的细节和轮廓，对图像分解的弱边缘信息适当加强；从灰度形态学的角度出发，对加强边缘信息的图像，进行腐蚀或膨胀以及边缘提取，得到其边缘。实验结果表明，该方法在有效抑制噪声的同时，实现了边缘的精确定位，细节提取效果良好。

关键词: 图像处理, 边缘检测, 二维经验模态分解, 数学形态学

Abstract: Considering the shortcoming of traditional methods，a new approach combinig Bidimensional Empirical Mode Decomposition（BEMD） with morphology of edge detection is proposed.Firstly by the BEMD，this paper decomposes the original image to detail part and contour part，which are handled independently.Using the multi-scale decomposition strengthens the weak parts of the image edge appropriately.Then，it gives edge detection from the perspective of gray morphological and gets the edge information.The results show that the theory proposed has great effects in edge accuracy，strong and weak edge extraction and noise suppression.

Key words: image processing, edge detection, bidimensional empirical mode decomposition, mathematic morphology

中图分类号:

TN247

蔡剑华^1，2，胡惟文¹，王先春¹. 经验模态分解和形态学在图像边缘检测中的应用[J]. 计算机工程与应用, 2010, 46(31): 196-198.

CAI Jian-hua^1，2，HU Wei-wen¹，WANG Xian-chun¹. Edge detection of image using empirical mode decomposition and morphology[J]. Computer Engineering and Applications, 2010, 46(31): 196-198.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[5]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[6]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[7]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[8]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[9]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[10]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[11]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[12]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.
[13]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.
[14]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[15]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.

经验模态分解和形态学在图像边缘检测中的应用

Edge detection of image using empirical mode decomposition and morphology

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics