基于形态学算子的车辆遮挡检测与分割算法 现代汽车工业的Swift发展促进了道路交通的发展，并增加了汽车数量。 各种各样的道路交通问题导致汽车数量激增，从而推动了ITS（智能交通系统）的诞生。 视频车辆检测是ITS的重要研究。 在实际的交通监控视频中，由于摄像头的光轴与路面之间的角度较小，因此被捕获的车辆往往会相互重叠，这会在检测到的图像中引起粘连。 因此，遮挡车辆的检测和分割是视频车辆检测研究的重要组成部分。 遮挡车辆检测和分割算法的研究基本上可以分为三个方向：第一，基于视频流；第二，基于视频流。 第二，基于图像形态学； 第三，基于车辆和情景建模。 其中，基于形态学的算法由于其相对较高的准确性和效率而成为近年来国内外研究的热点。 本文的主要方向也将是基于形态学的算法。 本文的主要工作： 通过腐蚀将凹面图像分成几个相连的区域； 确定每个连接区域，并检测附着力； 通过形态学方法找到分

BMP图像打开，二值化，形态学处理（膨胀，腐蚀，开，闭，二值边界提取），边缘提取（Roberts，sobel，laplacian，prewitt，laplacian of gaussian算子）-

SAR和可见光图像成像机理不同,图像差异较大,较难取得良好的融合效果。本文面向目标识别,通过分析图像的成像机理,首先在NSCT融合框架下,将SAR图像中重要的目标信息加入到可见光图像中,并尽可能多的保留源图像的边缘细节信息;再结合数学形态学和多尺度空间理论,提取源图像的亮、暗细节特征,进行特征级融合,得到亮、暗细节特征显著增强的融合图像。实验结果表明,本文算法有效的融合了SAR图像的目标信息,并增强了源图像的细节特征,达到了较好的视觉效果,提高了图像的目标检测和识别能力。

对于光照不均匀的图像，形态学边缘提取算法的分辨率远远逊色于人眼的分辨率。产生这种差异的原因是形态学算法仅仅是从几何学的角度出发来检测边缘，并没有模拟出人眼的生物特性。为了提高形态学算法的分辨率，通过研究人眼对光强的特性响应曲线，注意到了人眼对于光线具有亮度适应特性。把亮度适应特性加入形态学边缘提取算法，得到了高分辨率的二分法边缘提取算法。二分法边缘检测算法以强弱光亮度的中心点亮度为分界点，高于分界点的像素亮度被削弱，低于分界点的像素亮度被提高。如此在压制强光的同时增强弱光来模拟出人眼的亮度适应特性。实验证

基于数学形态学滤波的去噪方法，matlab编程

基于体素的形态学分析voxel-based morphometry (VBM)，将结构磁共振图像分割为灰质，白质，脑脊液

Blob分析及形态学分析

植物形态学种子和幼苗知识.pdf，这是一份不错的文件

数字图像处理——形态学实验

数学形态学在图像处理中的应用，方法腐蚀，膨胀。主要应用是边缘检测