基于图象边缘的水印算法

提出一种基于图象多尺度边缘的水印算法，利用常于边缘检测的二进小波变换检测出图象的多尺度边缘，在选择出的重要多边缘中嵌入数字水印。利用相关检测器进行水印检验，检验过程需要原始图象，实验证明算法具有不可见性，安全性，对通常的图象处理有较强的鲁棒性。     

基于边缘检测的图象小波阈值去噪方法

边缘特征是图象最为有用的高频信息，因此，在图象去噪的同时，尽量保留图象的边缘特征，应是图象去噪首要顾及的问题。基于这一思想，提出了基于边缘检测的图象小波阈值去噪方法。该方法在去噪之前，先通过小波边缘检测方法确定哪些小波系数是图象的边缘特征，这些小波系数将不受阈值去噪的影响，因此，可以只是根据噪声方差来设置去噪的阈值，而不必担心损害图象的边缘特征。理论分析和实验结果都表明，与普通的小波阈值去噪方法相比，该方法不但可以保持图象的边缘信息，而且能提高去噪后图象的峰值信噪比1-2dB。要做到既去除图象噪声，又不模糊图象边缘特征是很困难的。该方法把去噪和边缘检测结合起来，在一定程度上解决了这种两难的问题。     

基于尺度相关性的小波变换边缘检测

图象边缘检测的任务进就是检测和定位图象平面亮度的不连续,但夹杂在图象信号中的噪声,因其奇异性使得边缘检测成为一个既要保留边缘又要去除噪声的病态问题。本文利用多尺度小波变换对图象边缘及噪声的奇异性行了探讨。并根据小波变换的尺度相关性提出了一种新的边缘检测算法,通过试验验证本方法对保留边缘去除噪声有很好的效果。     

对多尺度边缘检测中边缘位移的研究

多尺度边缘检测的任务之一是寻求噪声平滑与保持细节边缘的折中,现已出现了许多自适应多尺度边缘检测方法,但使用多尺度的边缘检测方法常常使得边缘发生位移.为了使得在大尺度下求取的边缘位置不变,提出了一种根据局部图象特点,在最大尺度下求取保持图象边缘点位置不变的多尺度自适应边缘检测方法,并首先证明了对于绝大多数边缘点,如果使用恰当的小波基,那么,对于常规边缘检测算子,在大尺度下,也能准确定位;然后,利用以小波函数为核函数的积分运算与求导数之间的关系以及小波分析的多尺度特性给出了一种自适应的、保持位置不变的图象边缘检测方法,最后用实验进行了验证.     

一种新的彩色图象边缘检测方法

通过对HSV彩色视觉模型的分析,充分利用边缘信息的多尺度特性、小波变换和多尺度基本形式的特性,提出了基于HSV色度空间的,应用小波多尺度基本形式对彩色图象进行多尺度边缘检测的新方法.实验结果表明,该方法能准确检测出彩色图象的边缘,效果较好.     

一种提取图象细节边缘的新方法

边缘是图象的基本特征，边缘信息是进行图象分析和识别的重要属性，但由于常用的边缘提取方法在提取边缘的同时，容易丢失图象的细节边缘信息，为此提出了一种基于灰度形态学和图象分解技术相结合的图象细节边缘提取方法，该方法首先运用灰度形态学方法检测出包含图象细节的边缘图象并去除部分背景和噪声，然后进行区域分解，再通过对不同的区域选取不同的阈值来保证边缘提取的完整性．仿真结果表明，与传统方法相比，该方法能有效地提取一般图象的细节边缘，甚至能提取被噪声污染图象的边缘．     

一种基于提升方案的边缘检测方法

提升方案是构造双正交小波的新方法，本文把这种提升的思想用于图象边缘提取上，提出了一种基于提升方案的边缘检测算法；最后，通过仿真验证了该算法的有效性和快速性。     

基于小波变换的多尺度边缘检测

基于Ｍａｒｒ边缘检测算子，以高斯函数的一险峰 ２阶导数作为小波，提出具有２个可变参数的多尺度图象边缘检测方法。本文所提出的多尺度边缘检测方法适应于计算机视觉分级识别中边缘检测的需求。     

小波投影算子在工业图像边缘检测及抗噪分析中的应用

采用基于小波变换投影算子的快速多尺度边缘检测迭代算法，计算表明，迭代次数取5－9，输出图像信噪比较佳；并与传统的Marr边缘检测方法作了实验比较分析，小波变换方法针对工业现场采集的监视目标图像污染严重及噪声干扰等实际情况是一种较好的方法，在边缘定位精度，图像细节丢失等方面优于Marr方法，对噪声干扰也有较好的鲁棒性。     

快速模糊边缘检测算法

边缘检测是图象处理中的一个重要组成部分。通过对Pai.King模糊边缘测算法进行改进,提出了一个快速模糊边缘检测算法。该快速算法不但简化了Pil.King算法中复杂的G和G^-1运算,而且通过实验,确定了Tr变换中最佳的隶属度阈值,并减少了迭代次数。从两组实验结果可以看出,快速算法不但提高了Pai.King算法的效率,而且检测效果也优于pai.King算法。快速算法不但适用于普通图象,而且也适应于遥感图象,并具有很强的检测模糊边缘和细小边缘的能力,这种快速算法的性能优越,是一种实用的、有前途的图象处理算法。     

用细胞神经网络提取二值与灰度图象边缘

边缘是图象的重要特征,采用细胞神经网络提取图象边缘时,网络参数的选择是一个重要问题。为了能够有效地提取图象边缘,基于高通滤波模板,选择了细胞神经网络的一组简单易行的参数,首先将其用于检测二值图象边缘,再在此基础上,通过综合灰度值各位面边缘检测的结果提取出灰度图象的边缘。与传统边缘提取方法Sobel和Log方法的比较可见,该方法是有效的,并且由于细胞神经网络具有高速并行运算、便于硬件实现等特点,因此使其在图象实时处理中具有更大的潜力。     

基于小波域边缘方向特征的SAR图象噪声抑制方法

给出了一种新的基于小波变换的合成孔径雷达 (SAR)图象斑点噪声抑制方法 .利用每一级小波分解得到的小波系数子带 HL和 L H,以及对原图进行水平方向旋转正负 4 5°扫描后得到的另外两个正交方向的小波系数子带 rc HL和 ra HL ,可以判断出对应点边缘方向性的强弱 ,通过设定方向性阈值 ,确定该点是否位于边缘上 ,进而对没有位于边缘的点进行平滑 ,达到保留图象边缘的同时 ,抑制斑点噪声的目的 .为解决对某些振荡型边缘的检测问题 ,还结合阈值法 ,对该方法做了改进 .实验表明 ,与小波域的硬阈值或软阈值去噪方法相比 ,此方法在有效地抑制斑点噪声的同时 ,更好地保留了 SAR图象中的边缘和纹理信息 .     

基于多尺度边缘增强的遥感图象融合

边缘是图象(尤其是遥感图象)的一种重要特征.如果能够在将遥感图象进行融合的同时,增强融合图象的主体边缘特征,这显然对融合图象的进一步分析和应用具有重要的意义.因此,本文根据小波多尺度边缘检测的特性,结合小波变换融合的原理,提出了一种基于多尺度边缘增强的遥感图象融合.实验结果表明,该方法确实能够显著增强主要地物的边缘特征,为图象分割、特征提取和地物识别等应用奠定了基础.     

基于遗传算法和梯度算子的图象边缘检测

图象边缘检测是计算机图象处理的最基本步骤之一。由于噪声的干扰和图象光照不均匀等因素的影响,目前的图象边缘检则方法还不能有效地检测出各种不同模式的边缘。在分析了几种常用边缘检测方法及其存在的检测精度不高,抗噪声性能较差等不足基础上,给出了一种基于遗传算法和梯度算子的图象边缘检测算法,该算法明显提高了检测精度和抗噪声能力。     

基于正交小波变换的多尺度边缘提取

基于正交二进小波，设计了一个滤波器对图象进行多尺度滤波，得到不同尺度的小波变换。在每种尺度下分别提取图象边缘，而后综合形成图象真正的边缘。该方法不仅能有效地抑制噪声，得到单象素宽、精确的边缘信息，而且能依据边缘的奇异度区分不同的边缘     

灰阶边缘的细化

本文提出了一种改进了的灰阶图象Sobel边缘细化新方法,通过对灰阶边缘图多次Sobel边缘细化结果的叠加使边缘点的数值拔高、变陡,再通过灰阶边缘图中各3x3邻域内取数值最大的三个点作边缘,得到单点宽的边缘-其中后者也适用于其它边缘检测算子.此方法处理简单、效果明显,为从图象中提取模糊边缘和微弱边缘、提高定位精度,提供了一种有效的手段.     

噪声污染图象中的广义形态边缘检测器

在深入地探讨数学形态学在边缘检测领域中的应用的基础上,系统地给出了普通形态差分算子,并提出了一类广义形态差分算子。同时,把提出的广义形态差分算子应用于受噪声污染的图象,以提取图象的边缘。通过实验表明,广义形态边缘检测算子能较好地提取边缘,在抑制噪声对边缘的影响和保持图象的边缘细节上,效果优于经典的边缘检测器和普通形态边缘检测器。     

一种综合的有噪图象边缘提取方法

有噪图象的边缘提取是一个难点。经典的边缘检测方法由于引入了各种形式的微分运算，从而必然引起对噪声的极度敏感。为此，本文提出了采用分形方法并综合传统方法以解决低信噪比图象的边缘检测问题，并给出了自然场景中的人造物体边缘检测的实例。     

一种基于积分变换的边缘检测算法

介绍了一种用于图象区域和边缘检测的积分变换。该变换引入了灰度尺度和空间尺度，从而将图象变为表示象素点相互吸引的向量场，将边缘检测问题转化为在向量场中寻找相分离向量的问题。通过分析该变换用于边缘检测而产生的一些问题，给出了使用图象局部信息估计灰度尺度的方法。在对已有方法简化和改进的基础上，提出了一个基于此变换的边缘检测算法。最后给出该方法的识别结果，并与经典的边缘检测算法做了比较。试验结果表明，其边缘检测效果与Canny算法相似，是一种有效的边缘检测方法。     

图象平滑与边缘检测的模糊向量描述

本文对噪声和边缘的统计特征进行了分析，提出了以Ｐ１（ｉ，ｊ）、Ｐ２（ｉ，ｊ）和Ｐ３（ｉ，ｊ）作为边缘、噪声和非边缘非噪声的隶属函数，并在此基础上建立它们的牲描述向量。借助于该特征向量。将图象平滑和边缘检测转化为一个模式识别的问题。从理论上讨论了解决图象处理中长期存在的去噪和保持边缘细节的折中问题的思路，并构造出了基于模糊模式识别的图象边缘检测和图象滤波的基本框架。