共查询到16条相似文献,搜索用时 123 毫秒
1.
针对海底侧扫声纳图像对比度低、纹理弱、噪声严重等问题,提出了一种基于第二代Curvelet变换的声纳图像增强算法。首先对原始声纳图像进行多尺度、多方向的Curvelet变换分解,得到低频子带和高频子带;然后引入非线性S型函数对低频系数进行处理,提高图像整体的对比度;采用一种可以避免过度增强的新型非线性函数对各尺度的高频子带系数进行处理,提高图像整体的对比度,增强图像边缘和纹理细节,并通过估计噪声水平设定阈值进行阈值降噪。最后经Curvelet逆变换得到增强图像。实验表明,该方法不仅改善了海底侧扫声纳图像对比度低的问题,而且降低了噪声,突出了声纳图像的边缘和纹理细节。 相似文献
2.
3.
4.
小波函数对侧扫声纳图像滤波效果的影响分析 总被引:1,自引:0,他引:1
侧扫声纳技术应用日益广泛,已成为海洋测量的重要工具,而去除噪声处理是对侧扫声纳图像进行正确判读的前提。利用小波函数滤波处理的方法,分别采用Haar、Daubechies、Coiflets、Symlets、Discrete Meyer、Biorthogonal、Reverse Biorthogonal等小波函数与中值滤波函数对侧扫声纳图像进行处理,并以平滑指数和边缘保持指数为评价指标,对滤波效果进行定量比较。试验表明,小波函数可以有效地平滑声纳图像,并能保持其较好的边缘效果。 相似文献
5.
海底影像存在着对比度低、噪声污染严重、图像质量差等问题,采用传统算子的海底管线边缘图像中含有大量的无用和断裂边缘信息。文中将多尺度边缘检测和匹配跟踪相结合,提出利用平稳小波变换的海底管线边缘检测方法;在提取边缘的同时利用匹配跟踪手段对噪声干扰进行抑制,提高图像目标边缘检测质量。通过对海底管线和测试图像边缘检测实验表明,文中所提出的方法在抑制图像噪声的干扰、提高水下目标边缘完整性方面明显优于传统的边缘提取算子,证明该算法的有效性。 相似文献
6.
利用海岸带遥感图像提取岸线的小波变换方法 总被引:5,自引:0,他引:5
小波变换作为一门新兴的数学分支已被广泛应用于图像处理领域。本文将小波变换应用于黄河三角洲遥感图像的边缘提取 ,检测出图像的边缘 ,从而得到了三角洲岸线信息。实验结果表明基于小波变换的图像边缘提取要优于经典边缘算子的提取。此方法对于把握河口三角洲的冲淤演变规律和海岸带开发具有重要意义 相似文献
7.
针对侧扫声纳图像目标边缘检测困难的问题,利用二维离散小波变换对侧扫声纳(SSS)声图进行多分辨率分析,对大尺度分解的小波系数进行非极大值抑制,并重构小尺度上的低频分量。联合各尺度上的低频分量,构建SSS声图像素点处特征向量,构成其特征空间,对特征空间进行主成分分析,压缩其维数,并对压缩后的特征向量进行K-均值聚类分析,提取类间边缘线。利用含有沉船的SSS声图,并在其均质区域内加入目标与声影进行验证实验。该方法在实验中边缘检测准确率为0.90,表明该方法的有效性。 相似文献
8.
侧扫声呐回波信号是形成侧扫声呐图像的基础,是侧扫声呐系统对水下目标的最直接观测量, 将一维小波变换与非线性增强方法相结合,提出了一种基于小波变换的侧扫声呐回波信号非线性增强算法, 用以改善侧扫声呐图像对比度低、噪声强度大的问题。首先利用改进的 Bayes 阈值对侧扫声呐 ping 信号进行一维小波分解,提取信号特征信息;然后利用 2 种不同的非线性函数对高、低频小波系数进行处理;最后利用小波反变换重构信号,形成增强后的侧扫声呐图像。实测数据验证结果表明:利用该算法对侧扫声呐 ping 信号进行处理,实现了侧扫声呐图像对比度的增强和对噪声的抑制,可以获取较好的图像视觉效果。 相似文献
9.
10.
11.
基于数学形态学的侧扫声呐图像轮廓自动提取 总被引:1,自引:0,他引:1
侧扫声呐图像特征自动提取的难点在于特征地貌边缘检测较困难,依据图像灰度突变检测得到的边缘比较粗糙、不连续,而且有断口和小洞。本文在对图像进行预处理和阈值化的基础上,采用数学形态学方法对图像进行处理,即用具有一定形态的结构元素去量度和提取图像中的对应形状,得到连续化、粗化、圆滑的特征区域边缘填充目标内部阴影且消除背景噪声。基于数学形态学的侧扫声呐图像特征自动提取的主要步骤为:首先对侧扫声呐图像进行预处理,然后进行灰度阈值化,接着采用数学形态学方法进行处理,最后对处理后的图像进行边缘检测,提取出特征地貌边缘。实验表明,采用数学形态学方法进行处理后,错断、离散的海底目标物变得连续,背景噪声大大减少,自动提取结果准确可靠。 相似文献
12.
声纳具有对大范围水下场景探测的能力,一直以来都是水下设备感知外界环境的重要手段,但由于声纳图像分辨率低,海洋环境噪声干扰较为复杂,所以在诸多方面的应用都受到了限制。文中提出了一种基于马尔可夫随机场和引导滤波的声纳图像去噪与增强方法,使用马尔可夫随机场对声纳图像进行预分割,然后采用中值滤波方法对原始图像进行简单滤波处理,最后将该图像作为引导图像对马尔可夫随机场(Markov Random Field,MRF)分割后的图像进行引导滤波实现了对声纳图像的去噪与增强。该方法有效地去除了背景和影子内的噪声,对目标区域内部噪声起到了很好的抑制作用,消除了MRF分割产生的伪轮廓效应,具有较好的边界保持和增强效果。 相似文献
13.
针对侧扫声呐图像斑点噪声强、背景海底散射干扰严重,海底目标轮廓自动提取困难的问题,提出了一种基于K-means聚类与数学形态学相结合的海底目标轮廓自动提取算法。为克服噪声干扰,该算法首先利用中值滤波去除侧扫声呐图像中的强斑点噪声;然后采用K-means聚类算法对侧扫声呐灰度图像进行分割,并二值化,除去大部分海底背景噪声,初步提取出目标;接着利用数学形态学运算去除提取结果中的孤立噪点,并填充目标内部孔洞,得到连续化、圆滑的目标边缘;最后对处理后的侧扫声呐图像进行边缘检测,提取出目标轮廓。实验结果表明:该算法思想简单易行,具有很强的克服背景噪声的能力,自动提取的目标轮廓连续性较好,结果准确可靠。目前,在侧扫声呐图像目标轮廓提取过程中,主要采用人工方式,自动性较差,效率较低。本文算法可以实现目标轮廓的自动提取,提高效率,具有较强的实用价值。 相似文献
14.
15.