基于改进SUSAN算法的移动车辆检测

针对复杂行车环境下智能车辆行车安全问题,提出了一种基于改进 Susan 边缘检测算法提取车辆边界特征。首先介绍了SUSAN边缘检测算子的原理,然后提出改进的SUSAN算法,即对待检测像素粗略提取,采用一种自适应选取阈值的方法对候选边缘点检测提取边缘。实验表明,算法能在复杂图像中识别前方车辆,有较高的准确度。     

一种基于数学形态学与改进的SUSAN算子边缘提取快速算法

提出基于数学形态学和SUSAN算子的灰度图像边缘提取方法,同时对SUSAN算子进行了改进.该方法利用数学形态学开运算估计背景,将原始图像与背景进行几何运算,在处理后的图像上运用改进的SUSAN算子提取边缘,并进行了仿真实验.实验结果表明,该方法不仅具有较好的去噪和边缘提取能力,而且算法简单易于实现,运算速度快.     

基于自适应双阈值的SUSAN算法?

传统SUSAN算法在提取图像边缘时,会出现漏检现象,且所提取的边缘较粗。为此,运用计算最大类间方差的方法自适应地选取双阈值,取代传统算法中人工设定的单阈值,采用多方向局部非极大值抑制方法进行改进,提出一种新的SUSAN边缘检测算法,并将其应用于遥感图像的边缘提取。实验结果表明,该算法能够有效提高边缘定位精度,降低漏检率,使边缘更细致光滑。     

基于动态结构元的药柱表面图像边缘检测

以某产品药柱表面图像边缘检测为例,提出了一种基于动态形态学结构元和SUSAN算子相结合的图像边缘检测算法.该算法采用动态形态学结构元得到梯度图像,根据梯度图像利用SUSAN算子进行边缘检测.采用动态形态学结构元得到的梯度图像服从统一分布,有利于边缘提取,克服了采用固定形态学结构元不能适应不同的梯度图像的不足.通过与so.bel和固定形态学结构元的边缘检测算子进行对比实验,实验结果表明,该方法具有较好的边缘提取能力,抗噪性能好,对药柱表面图像处理具有很好的实际应用价值.     

基于改进DeeplabV3+的地物分类方法研究

原始DeeplabV3+算法对无人机航拍图像中的地物边缘分割不够准确,对道路的分割存在不连续的情况.因此,针对这些问题,文中对DeeplabV3+算法进行了改进.首先,在编码阶段进行特征融合,增强浅层特征图的语义信息;其次,在分割网络结构中添加边界提取分支模块,并采用Canny边缘检测算法提取真实的边界信息进行监督训练,使网络对地物边缘的分割更为精细;最后,在网络的解码阶段,融合更多的浅层特征.实验结果表明,所提方法的mIoU值为80.92％,比DeeplabV3+算法提升了6.35％,能够有效进行地物分类.     

基于SUSAN算法的孔径几何参数检测方法研究

利用SUSAN算法对零件孔径几何参数图像进行边缘提取,结合椭圆拟合算法进行检测,给出了算法的理论依据.通过对换向器零件内径的测量实验,得出该算法对于圆或椭圆型零件的参数检测可达到的较高的亚像素级精度,而且能够有效地克服由于图像边界部分残缺和白噪声的干扰,具有较高的检测效率.     

融合SUSAN算法和Robert算法的图像边缘检测滤波处理技术

研究了图像边缘检测算法并进行了滤波处理。由于传统的SUSAN算法对阂值的选择比较难,难以得到更多的图像信息,因此提出了一种基于Robert图像边缘检测技术的改进型算法,其融合了SUSAN特征点匹配技术,同时采用均值滤波算法去除图像检测过程中的噪声,最后采用图像细化方法对图像进行细化处理。经仿真实验表明,提出的改进算法能够有效地对图像进行检测,降低了算法的复杂度。     

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     

基于覆盖分割和活动轮廓模型的图像边缘提取算法

针对传统算法对边界模糊的图像分割效果不理想,分割结果多毛刺的问题,提出了一种由粗到细的图像边缘提取方法,主要由像素覆盖分割方法和Chan-Vese模型组成。将改进的覆盖分割方法和活动轮廓模型相结合,首先使用原始覆盖分割算法对图像进行分割,利用多方向模糊形态学边缘检测算法提取不同物体之间的边界;然后采用改进的像素覆盖分割方法给边界像素重新分配覆盖值;最后,运用活动轮廓算法进行细化的图像边界提取;分别进行了分割结果的定性比较,抗噪性测试以及提取的边缘对比实验。实验结果表明,该方法对具有模糊边界的图像,提取边缘结果优于其他可比文献中提出的方法。     

决策边缘特征检测算法DSUSAN

在SUSAN边缘特征检测算法的基础上,分析研究其存在的缺陷,提出决策边缘特征检测算法DSUSAN,给出了DSUSAN算法的检测过程,并利用Matlab软件进行原始图像、加噪图像的对比实验.结果表明,该算法在检测边缘细节特征上比SUSAN算法有较大改善;同时,该算法未明显增加运算量,具有检测准确、高效、易于实时运算的优点,算法的噪声抑制能力也较好.