基于重心的一种灰度图像边缘检测算法

本文提出一种基于重心的灰度图像边缘检测算法,将灰度图像中每一像素的灰度值,作为该像素的“质量”、三维空间中的Z坐标。判断某像素是否为边界点,取决于在以该像素为中心点的矩形区域内重心偏移量的大小。该算法具有一定的抗噪性,与采用canny算子的边缘检测算法相比较,本文算法对B超灰度图像的实际检测效果更好。     

基于逼近增强算子的合成孔径雷达图像特征提取算法

针对含噪SAR图像的边缘检测效果不理想、边缘特征不明显等问题,提出一种基于逼近增强算子的合成孔径雷达(SAR)图像特征提取算法.该算法利用多尺度非均匀滤波将含有噪声与不合噪声的像素点的灰度值、结构元素以及区域内的像素加权灰度密度这三个特征进行区分,以达到去噪效果.采用基于增强算子的SAR图像检测方法,通过SAR图像的像素灰度值以及像素点分布密度均值来计算综合均值阈值,通过阈值来判断像素点是否属于边缘部分.在实验中,通过分别与基于修改的LSD算法、基于水平集算法以及基于核心聚类算法的SAR图像提取方法进行了对比分析,从对比结果可以得出算法在对含噪SAR图像进行边缘检测时可以得到更明显的边缘信息.     

基于斜率的自适应中值滤波算法

针对图像中椒盐噪声点的准确检测与去除问题,提出一种基于斜率的自适应中值滤波算法。该算法首先用n×n(n为大于或等于3的奇数)的模板作用于待检测图像的每一个像素,若当前像素的灰度值为其邻域内所有像素灰度值的极值,判断此点为准噪声点;再利用像素灰度值序列中两段子序列斜率的差值及模板区域内像素灰度值的均值自适应地判断准噪声点是否为真正的噪声点;最后对被判定为噪声的像素做中值滤波处理。与标准中值滤波方法相比,该方法加强了噪声检测的条件。实验结果表明,该算法具有较好地去除椒盐噪声和保留细节的效果。     

一种图像亚像素边缘检测算法的改进研究

为了提高刀具预调测量仪的检测精度,提出了一种改进的图像快速亚像素边缘检测算法——基于正交多项式拟合的亚像素边缘检测算法。首先,利用传统的Sobel算子完成边缘点整像素级别的检测,确定边缘的主体区域;然后,过边缘点沿边缘法线方向拓展像素,取一系列像素点并计算其灰度值;最后根据像素点灰度分布的数学特征,利用正交多项式和最小二乘法求拟合函数,通过拟合曲线确定图像边缘点的精确位置,实现图像亚像素边缘检测。实验证明,该算法运行时间短,约为0.63 s;检测精度高,可达0.1 pixels。     

基于UGM灰预测模型的图像边缘提取算法

由于传统的边缘检测算法会产生信息漏检等问题,为了更有效检测出图像的边缘信息,提出了基于UGM灰预测模型边缘检测算法。该算法分别在垂直和水平方向上选取与考察点相邻的4个灰度值作为建模数据,通过UGM模型对建模数据进行处理,得到2幅预测图像,用原始图像分别减去2幅预测图像,根据正负得到4幅误差子图像,将4幅误差子图像相加,检测图像边缘。在此基础上,通过对误差子图像加入调节因子[q],提高边缘的清晰度。该算法与传统算法的结果比较表明该方法能清晰地检测出图像边缘点,图像的细节信息很好地保留下来,且对噪声图像具有一定的抗噪性,说明该算法是一种非常有效的图像边缘检测算法。     

一种基于亚像素边缘特征的医学图像融合方法

一种新的基于亚像素边缘特征的图像融合算法。该算法通过使用一种亚像素边缘检测算法提取图像的亚像素边缘特征,采用奇异值-迭代最近点法(SVD-ICP)实现轮廓间配准和利用小波极大值融合算法实现图像融合。     

基于边缘自相似特征的遥感图像边缘检测算法

据分形理论可知，物体或物体各组成部分的边缘应具有自似性，图像边缘上的像素应具有较大的灰度化值和自相似系数。本基于这种思想，提出了一种结合边缘自相似特征和图像灰度梯度变化进行边缘检测的新算法，并利用该算法对试验图像进行了边缘检测试验。试验结果表明，该算法有效地提取图像边缘，且对含有噪声的遥感图像仍能提取较为丰富的边缘细节，具有一定的抗噪声性能。这对于含有噪声的遥感图像边缘所取与检测，尤其是雷达遥感图像，具有一定的实用价值。     

图像边缘分割算法的优化研究与仿真

研究图像边缘分割问题,提高分割的准确性.针对图像中物体像素与其边缘像素容易发生像素粘连,粘连部分由于发生像素灰度混合,造成像素差异极小,传统的基于灰度的边缘检测算法由于不能很好的区分粘连部分的灰度差异,不能完整检测图像边缘的问题.提出了一种离散余弦变换(DCT)和数学形态学边缘分割算法.通过对提取过的特征图像在同一尺度下用多个结构元素分别对图像进行边缘分割,经过合成得到多尺度多结构元素形态学检测的边缘图像,摆脱分割算法对像素灰度的依赖.仿真结果表明:方法具有较好的抗干扰性和定位准确性,分割的边缘更为完整准确,取得了令人满意的效果.     

基于USAN的改进的角点检测算法

提出了一种基于USAN的改进的角点检测算法。该算法在原有SUSAN算法的基础上做了如下改进：使用一个3×3的方形预检测窗口对图像的像素进行预检测，在精确检测角点前剔除掉大部分的背景点、边界点及脉冲噪声点，提高了算法的效率；根据图像不同区域对比度不同的特性，采用根据对比度自动调节核心点与其邻域像素的灰度差值门限的方法，使所检测出的角点分布均匀；利用基于USAN定义的角点所应具有的特征(角的边缘及USAN的连续性)来剔除伪角点，降低了角点虚报和漏检的发生率。仿真实验证明了该文所提出的算法具有抗噪能力强、运算量小的特点，适于实时实现。     

场论与自适应彩色图像边缘检测

传统彩色图像灰度化边缘检测方法大都将彩色像素的R、G、B三分量分别乘以固定系数,从而将彩色图像转换为灰度图像,然后利用处理灰度图像的系列检测方法进行后续处理.仅从数学上分析,彩色图像可认为是彩色像素矢量平面,灰度化处理步骤实际上可理解为固定投影方向彩色像素矢量场通量的求解,根据通量场上的通量密度分布信息则可进行边缘提取.提出基于彩色图像矢量平面自适应投影矢量的检测算法,根据不同图像本身的像素值分布,寻找使得通量场中梯度场的散度在图像平面上积分达到最大的投影方向,并根据该自适应的投影方向对原始图像进行灰度化处理.该方法旨在追求获取最为全面的彩色图像边缘成分,而不偏向局部细节信息的强化或者弱化.实验表明,彩色图像RGB三分量之间存在较强的相关性和互补特性,而采用该算法,利用任意两种彩色分量就能够达到同时使用三种彩色分量的边缘检测效果.通过自然图像的实际测试,能够证明算法的合理性,以及相对于传统灰度化方法的优越性.     

A novel image compression using grey models on a dynamic window

Based on the grey model (GM), a simple and fast methodology is developed for lossy image compression. First of all, the image is decomposed into some different-size image windows through the judgement of grey difference level; then the GM (1,1) of grey system theory is used as a fitter to model those window pixels. The proposed algorithms can be contrasted with the conventional compression techniques such as discrete cosine transform or vector quantization (VQ) algorithms in their dynamic modelling sequence and flexible block size. Especially, the compression and decompression process do not require an extra decoder and only utilize the modelling parameters to reconstruct the image by reversing the operation of GM (1,1). Experiments with some (512 x 512) images indicate that not only the average bit number per pixel and peak signal-to-noise ratio but also the coding time and decoding time of this lossy image compression algorithm based on GM (1,1) are better than those of block truncation coding with VQ.     

基于加权一个变量的一阶灰色模型的动态轨迹预测算法

针对基于Kalman滤波的跟踪方法需要对噪声特性和轨迹的运动规律进行假设的不足,将新陈代谢一个变量的一阶灰色模型(GM(1,1))引入动态轨迹预测方法,提出一种基于加权灰色GM(1,1)模型的动态轨迹预测算法(TR_GM_PR算法)。首先,顺序截取预测点前不同长度的子轨迹,计算采用灰色GM(1,1)模型拟合各子轨迹的相对误差及相应的预测值;其次,对各子轨迹的相对拟合误差进行归一化处理,根据处理后的结果设置各子轨迹预测值权重;最后,将各子轨迹获得的预测值与其对应权重的线性组合作为轨迹未来运行趋势的最终预测结果。采用2000-2008年美国大西洋飓风数据进行实验,TR_GM_PR算法6 h的预测正确率为67.6056%,比基于模式匹配的飓风预测方法提高2.6056个百分点。实验结果表明, TR_GM_PR算法适用于轨迹短期预测。此外,该预测算法计算简单、实时性高,能够有效提高动态轨迹的预测正确率。     

获取P2P最大出口数据传输速率的研究

在一些局域网或城域网中．限制每个主机出15带宽的情况较大地阻碍了P2P的跨网络应用。提出一种新的方法，先将共享资源分散到局域网或城域网内部的其他主机，再由这些主机同时向网络外部需要获取该资源的目的主机传输共享文件：以达到跨限制出口带宽网络间P2P的传输速率最大化并同时对资源进行冗余备份的目的。通过实验，详细分析了该方法对传输效率的影响。结果表明，所提出的方法能较大幅度提高目的主机获取共享资源的速度，为改善P2P在跨限制主机出口带宽网络的应用提供参考方案。     

灰色GM(1,1)模型优化研究进展综述

灰色预测技术是灰色系统理论的重要分支之一。 分别从灰生成技术、边值条件的改进、背景值的改进、模型参数估计方法改进、残差序列的优化、综合优化6个方面对近年来灰色预测模型中的GM(1,1)模型优化研究现状进行了比较全面的介绍,同时也对灰色GM(1,1)预测模型未来的发展方向提出了一些建议。     

2种灰色模型在矿区地表沉陷预计中的适用性

目前矿区地表单点沉陷动态预计方法主要基于传统的水准测量数据,监测方法单一,成本高,观测点易破坏,不能保证地表形变信息的实时性,且采用灰色模型进行地表沉陷预计时只针对单一模型的应用,没有结合模型自身特点分析其适用性。以袁店二矿7221工作面为试验区域,采用合成孔径雷达差分干涉测量技术监测矿区地表沉陷量,分别建立了描述沉陷量与时间关系的GM(1,1)与灰色Verhulst模型进行地表沉陷量预计,实现了矿区地表沉陷监测与动态预计一体化。通过比较、分析GM(1,1)与灰色Verhulst模型对地表沉陷量的拟合及预计结果,得出了2种灰色模型在矿区地表沉陷预计中的适用性:在矿区开采沉陷开始至活跃前期,若地表单点沉陷量曲线呈近似单峰型,则宜采用GM(1,1)进行短期预计;当矿区地表沉陷进入衰退阶段,单点沉陷量曲线呈平底饱和状态,则宜采用灰色Verhulst模型进行中长期预计。     

灰色-神经网络综合预测模型

该文提出一种灰色-神经网络综合预测模型。该模型由背景值构造、加权GM(1,1)模型和神经网络补偿器三部分组成。其建模机理为:首先对于原始数列进行背景值构造,然后构建加权GM(1,1)模型,同时利用神经网络补偿器获得误差补偿信号,则最终的预测值为加权GM模型的输出值加上补偿值。仿真结果验证了所提方法的有效性。     

灰色神经网络在股价预测中的应用研究

股票价格受多种因素的综合影响,具有趋势性、较大波动性和随机性等变化特点,单一模型难准确对其变化规律进行准确描述,将灰色理论和BP神经网络相结合构建一种股票价格组合预测模型。采用灰色GM（1,1）预测模型动态预测股票价格变化趋势,运用BP神经网络对灰色GM（1,1）模型预测结果进行修正,以提高股票价格预测精度。采用ST东北高（600003）股票价格对预测模型性能进行测试,结果表明,组合预测模型提高了股票价格的预测精度,更能挖掘股票价格变化规律。     

利用灰色绝对关联分析的中值滤波方法研究

针对灰色图像中的椒盐噪声,提出了一种利用绝对灰色关联度分析方法区分噪声与非噪声,并结合中值滤波进行去噪的算法。将[n×n]（[n]为大于或等于3的奇数）模板中的像素组合成两组序列,利用灰色绝对关联分析法,计算出这两组序列的相似关联度,从而判断当前像素是否为噪声。对于被判定为噪声的像素,进行中值滤波处理,以实现去噪;对于非噪声像素则不作处理,从而较好地保留了图像的细节。实验结果表明,与同类方法相比较,此方法有良好的去噪效果。     

基于二级修复的多方向加权均值滤波算法

针对目前算法不能有效去除高概率的椒盐噪声并保护图像边缘和细节特征的缺点,提出了一种基于二级修复的多方向加权均值滤波算法。在噪声检测阶段,首先利用一个方差参数判断当前像素点与其邻域像素点之间的灰度差异程度,再通过将方差参数和灰度极值相结合的方法检测出图像中的椒盐噪声点。在噪声修复阶段,提出一种二级修复方法来修复噪声点的灰度值。首先利用改进的自适应中值滤波器对椒盐噪声点进行第一级噪声修复;然后利用方差参数将第一级修复后的噪声点划分为两类,并采用不同的修复方法对这两类像素点进行第二级噪声修复,一类像素点采用均值滤波器进行再修复,另外一类像素点采用多方向加权均值滤波器进行再修复。数值实验结果表明,所提算法的滤波性能和边缘保护能力均优于当下很多先进的滤波器。