基于信息测度和核函数极限学习机的图像边缘检测

图像的边缘检测技术是机器视觉中图像识别、图像分割与处理以及模板匹配的基础。针对传统边缘检测算子的检测精度有限,对噪声的敏感度较高的问题,提出一种基于信息测度和核函数极限学习机(KELM)的图像边缘检测方法。该方法构造一个描述边缘点信息测度的特征矢量,将特征矢量样本数据集对核函数极限学习机(KELM)进行分类训练,实现边缘检测。同时采用度量F评价模型对不同边缘检测方法的性能进行评价。实验结果表明,ISKELM图像边缘检测的效果优于Canny算子、Sobel算子以及ELM图像边缘检测,提取的图像边缘更加清晰,对于噪声的抑制能力更强,虚假边缘大大减少。     

基于改进图像方向信息测度的表格图像增强算法

提出了基于图像方向信息测度的图像增强算法。算法利用图像方向信息测度,在像素级对图像像素进行分类,然后针对表格图像特性,利用改进的图像方向信息测度,对边缘点进行区域连接,使得边缘点能完全地覆盖图像中的字线和表格边缘;利用得到的边缘信息和平滑信息,对图像进行空域滤波处理,初步增强图像;利用模糊增强算法,对图像进行对比度增强,达到较好的增强效果。实验表明,该算法能有效增强对比度极低的表格图像,使得结果图像有很好的视觉效果。     

一种分类迭代保边缘图像去噪算法

针对图像处理过程中去噪与保边缘这一矛盾,提出了一种分类迭代保边缘的图像去噪算法。该算法充分考虑到不同密度的脉冲噪声产生的噪点分布特性,将噪声分为连续性噪声和非连续性噪声,采用大小不同的2~3个模板对原始图像迭代运算,进行噪声点恢复。利用该算法对添加有不同密度噪声的图像进行处理,结果表明,该算法在有效恢复噪声点的同时,能够很好地保留图像边缘细节信息,解决了传统算法存在滤波和保边缘的矛盾冲突,与传统滤波算法比较,该算法的峰值信噪比及去噪后图像与原图像的整体相似程度均优于传统算法。     

基于局部图像锐化的自适应模糊边缘检测算法

为了准确检测出模糊边缘的位置 ,对用小尺度滤波器检测模糊边缘时噪声影响检测效果的原因进行了分析 ,依据这些噪声点在模糊边缘附近的统计分布规律 ,提出了一种用于图像锐化的阈值计算方法 ,算法自适应地计算图像不同区域对应的图像锐化阈值 ,并用这个值来锐化模糊边缘图像 ,实现对模糊边缘的准确提取。实验结果证明该算法能有效去除模糊边界处的干扰点 ,明显改进了小尺度滤波器提取模糊边缘的性能     

限制型自适应SUSAN边缘检测算法

对于边缘检测中传统SUSAN(smallest univalue segment assimilating nucleus)算法,固定门限会将非边缘点划入核值相似区(univalue segment assimilating nucleus, USAN),并经过单一阈值判断,非边缘点易被误判为边缘点,导致算法的低鲁棒性.针对此问题,提出了结合自适应门限算法和阈值选择策略的限制型自适应SUSAN算法.首先,分析SUSAN算法优缺点,根据USAN特点以及同异侧噪声容忍度范围设置阈值选择策略,减少误判并提高噪声鲁棒性;然后采用与USAN内像素值正相关的自适应门限算法,进一步增强边缘检测能力.在标准测试图像以及不同类型噪声的经典灰度图中实验结果表明,相比于传统SUSAN算法和Canny, Prewitt, Sobel, LoG, Roberts等边缘检测算法,该算法在客观图像评价指标FSIM值,PFOM值和准确率上均高于其他算法;而在主观视觉上,在无噪条件下能够更好地抑制纹理区域像素干扰,检测边缘更完整丰富.特别是在大量噪声干扰导致其他算法均失效的情况下,该算法在抑制噪声的同时,仍能有效地检测出图像边缘.     

小波边缘分布及边缘融和算法研究

小波变换是图像边缘检测的重要算法之一,为了综合大尺度下边缘抗受噪声强和小尺度下边缘定位准确的优点,提出一种基于多尺度小波边缘分布的边缘检测算法.研究小波边缘检测中的边缘分布,提出有效边缘包络带,讨论了不同类型边缘包络带的有效范围;在有效边缘包络带内采用融和算法进行边缘检测.对合成和自然图像的试验表明算法的有效性.     

基于CMAC的边缘检测及其在故障检测中的应用

本文利用信息测度描述图像边缘特征,并采用典型局部网络CMAC(Cerebellar Model Articulation Con-troller)完成信息测度至图像边缘的映射;通过预处理和边缘细扫描,提出一种配电系统瓷瓶故障检测的实时监控方案.应用表明其可行性和有效性.     

常用边缘检测技术的对比

边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点.经典的边缘检测算法如canny算子等是通过计算图像中局部小区域的差分来实现边缘检测的.这类算子对噪声非常敏感,并且常常会在检测边缘的同时加强噪声.多尺度形态学边缘检测利用不同的结构元素去作用图像,通过形态腐性和形态膨胀操作,获得了效果很好的图像边缘检测算法.单尺度形态学梯度算子也能很好提检测图像边缘,但结构元素的选取对输出结果影响较大.通过使用多尺度形态学梯度算子,可以弥补结构元素的大小问题.仿真结果表明,该算法能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法.     

新的噪声污染灰度图像边缘检测统计方法*

针对传统算子进行边缘检测时易丢失边缘信息和在非边缘处增强噪声的缺陷,提出一种基于非参数变点统计分析的噪声图像边缘检测方法,该统计方法不但不需要图像数字特征的任何先验信息,而且对噪声污染的图像不作任何滤波处理.实验结果表明,提出的算法优于Sobel算子,并能抑制信噪较低的高斯噪声和密度较高的椒盐噪声对分割结果的影响,是一种有效的噪声污染灰度图像边缘检测方法.     

一种基于粗糙集的图像边缘检测方法

粗糙集理论是一种新的处理模糊和不确定性问题的软计算方法.图像边缘是一类灰度变化大的连续点的集合.在无噪声干扰的情况下,这一特性是区别边缘与非边缘的一个重要条件.而实际应用中,图像中难免混有部分噪声点,影响了边缘检测的准确性.本文提出基于粗糙集理论的图像边缘检测方法.根据粗糙集理论中的集合近似关系,首先利用灰度变化大的特点,找出可能边缘点集合,然后利用噪声点区别于边缘点的特性,找到噪声点集合,最后,两个集合的差就是最终要求的边缘点.实验结果表明,该方法相比于传统的检测方法,在检测准确度上得到了一定的改善.     

复杂边缘目标的亚像素定位

在已有的亚像素边缘定位方法中,从复杂度和运算时间等角度考虑,二次曲线拟合边缘定位是一种较好的方法,然而目前只能应用在直线边缘的亚像素定位中.为此提出了一种针对非直线边缘的复杂图像进行亚像素级边缘定位的算法,依据细化后边缘上前后像素的邻接关系将二次曲线拟合亚像素定位应用到二维情况.实验验证了对直线边缘图片以及具有非直线边缘的实际物体图片进行亚像素级边缘定位的正确性及可靠性.结果表明,不仅可以检测直线,而且对较复杂边缘目标的定位精度达到了亚像素级.     

基于边缘连续性的边缘检测算法

针对传统的边缘检测算法抗噪能力弱、弱小边缘难以检测以及边缘图像容易出现断层等问题,本文提出了一种新的边缘检测算法。该方法首先对边缘进行提取,然后进行边缘连接。边缘是图像灰度突变的反应,像素点的梯度以该像素点为对称中心,由对称位置灰度有明显变化的像素点的个数加权得到。对梯度较大的像素点计算其方向,通过像素点方向的连续性进行边缘提取。为了克服边缘图像出现断层的缺陷,利用蚁群算法进行边缘连接 。实验结果表明,该方法有较强的抗噪能力,尤其对椒盐噪声,且可以有效地检测出灰度变 化不明显的边缘。     

面向边缘计算的Storm边缘节点调度优化方法

边缘计算有高实时性和大数据交互处理的需求,边缘异构节点间的调度时耗长、通信时延高以及负载不均衡是影响边缘计算性能的核心问题,传统的云计算平台难以满足新的要求。文中研究了在边缘计算环境下Storm边缘节点的调度优化方法,建立了面向边缘计算的Storm任务卸载调度模型。针对拓扑任务在边缘异构节点间的实时动态分配问题,提出了一种启发式动态规划算法(Inspire Dynamic Programming,IDP),通过改变Storm的Task实例的排序分配方式以及Task实例和Slot任务槽的映射关系实现全局的优化调度;同时,针对拓扑任务的并发度受限于JVM栈深度的缺陷,提出了一种基于蝙蝠算法的调度策略。实验结果表明,与Storm调度算法相比,所提算法在边缘节点CPU利用率指标上平均提升了约60%,在集群的吞吐量指标上平均提升了约8.2%,因此能够满足边缘节点之间的高实时性处理要求。     

基于边缘检测器组合的密集边缘检测

本文提出了基于多个边缘检测器组合的密集边缘检测方法 ,并从理论上阐述了此方法的性质 .在实验中 ,采取了组合中值混合滤波器、Teboul变分法和最优的 Gabor滤波器的方式 ,随后用组合的边缘检测器对人脑横切片图和取自 Vis Tex数据库的图像进行分割 .实验结果表明此方法是有效的 .     

Edge focusing

Edge detection in a gray-scale image at a fine resolution typically yields noise and unnecessary detail, whereas edge detection at a coarse resolution distorts edge contours. We show that ``edge focusing', i.e., a coarse-to-fine tracking in a continuous manner, combines high positional accuracy with good noise-reduction. This is of vital interest in several applications. Junctions of different kinds are in this way restored with high precision, which is a basic requirement when performing (projective) geometric analysis of an image for the purpose of restoring the three-dimensional scene. Segmentation of a scene using geometric clues like parallelism, etc., is also facilitated by the algorithm, since unnecessary detail has been filtered away. There are indications that an extension of the focusing algorithm can classify edges, to some extent, into the categories diffuse and nondiffuse (for example diffuse illumination edges). The edge focusing algorithm contains two parameters, namely the coarseness of the resolution in the blurred image from where we start the focusing procedure, and a threshold on the gradient magnitude at this coarse level. The latter parameter seems less critical for the behavior of the algorithm and is not present in the focusing part, i.e., at finer resolutions. The step length of the scale parameter in the focusing scheme has been chosen so that edge elements do not move more than one pixel per focusing step.     

基于Canny 算子的大米边缘检测

为解决传统边缘检测算法对大米图像边缘检测精度低以及对噪声敏感的问题,提出一种改进的Canny边缘检测算法。该方法首先采用非线性扩散滤波减少图像噪声,同时保持图像的边缘信息;在邻域梯度幅值计算中,考虑像素对角线方向的梯度,进一步抑制噪声的影响;最后采用最大类间方差法选取阈值,从而提高对不同图像的自适应性。通过对实验图像的分析表明,本文的改进算法运用到大米图像边缘提取中效果显著,满足大米质量检测和分级的要求。     

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.     

基于边缘方向性的小波边缘检测算法

现有的基于小波变换的图像边缘提取方法会导致边缘细节的损失且边缘位置会发生偏移,因此本文给出了一种改进的边缘检测方法。该算法先对图像进行平滑处理,然后用小波变换提取边缘。传统的平滑方法避开了边缘的方向性,且对图像的边缘保持效果不佳。本文提出了基于边缘方向性的平滑算法,该算法在处理边缘像素时可自动搜索边缘方向进行平滑,用该算法和小波方法结合进行边缘检测。仿真实验给出的实验结果有力地证明了该方法的有效性。     

一种基于边缘图像融合的图像边缘检测方法

边缘检测是图像处理、模式识别和计算机视觉领域的重要内容．传统边缘检测方法的边缘检测效果一般．为了更好地检测出图像边缘,在传统边缘检测算法分析的基础上,提出了一种基于边缘图像融合的图像边缘检测方法．首先,对原图像进行二进小波分解得到低频子图像,然后分别对原图像和低频子图像采用直方图均衡化进行增强后用Canny算子来进行边缘检测,得到原图像和低频子图像的边缘图像,最后采用一定的融合规则将这两个边缘图像融合在一起,得到一幅完好的边缘图像．实验结果表明,这种边缘检测方法明显优于直接对原图像单独使用Canny算子或基于小波变换的边缘检测方法．