一种改进的CHNN图像边缘检测方法—Weighted CHNN

针对文献[1]中提出的CHNN图像边缘检测算法缺乏足够的参数来调节边缘检测的灵敏度以及检测结果图像边缘过宽的缺陷,提出一种改进的CHNN方法,称之为Weighted CHNN(加权的CHNN,简称WCHNN)方法。该方法在CHNN神经网络元的n个连接上施加权值,可以通过各种局部搜索、优化算法,使用指定的样本输入、样本输出等方法来训练该WCHNN网络从而确定各权值,使得WCHNN在保留了CHNN的优点的同时,还可以根据不同的样本输入输出图像来调节边缘检测的灵敏度,从而提高检测结果质量并避免检测结果中出现边缘过宽的情况。实验结果表明,训练后的WCHNN网络,比起CHNN有着更低的边缘检测错误率,并可检出原来CHNN方法漏检的边缘。     

用遗传BP网络进行图像边缘检测

该文提出了一种基于遗传算法与图像特征向量的边缘检测方法。由于噪声的干扰,常规的图像边缘检测方法往往效果不佳,因此在充分考虑边缘和噪声本质区别的基础上,构造具有较强抗噪能力的特征向量;然后用样本图像对多层前馈神经网络采用遗传学习算法和误差反向传播算法(BP)相结合进行训练,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。最后,将训练后的网络用于图像的边缘检测。实验证明这种方法是有效的。     

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BP网络的人脸图像边缘检测算法

采用改进的BP算法,实现人脸图像的边缘检测.构造了学习样本,并在较短时间内训练得到权值矩阵,从而实现二值图像边缘检测.在此基础上,综合灰度图像各位面的边缘提取结果,实现对灰度图像的边缘检测.利用ORL人脸数据库图像的实验,证明了将得到的权值矩阵用于人脸图像的边缘检测,泛化性较好,抗噪能力强,能得到较为连续精细的边缘.     

自适应权重形态学边缘检测算法仿真研究

提出了一种自适应权重的多刻度形态学边缘检测算法。该算法首先在同一尺度下用多个结构元素分别进行边缘检测,并得到该尺度下的边缘图像,利用形态学结构元素“探针”原理和不同尺度结构元素抗噪性能来确定加权值的大小,然后对不同尺度下的边缘图像进行加权求和,再经过二值化、去噪等处理,得到最后的边缘检测结果。仿真结果表明,该方法具有较好的抗干扰性和定位准确性,得到的边缘更为完整。     

基于GA-BP算法的基片图像边缘检测计算机应用

由于复杂噪声信号的影响,使得对基片边缘的检测较为困难,提出了一种基于改进的GA-BP算法的边缘检测方法.首先,对基片图像进行中值滤波,将选中的样本归一化.其次,根据样本使用改进的GA-BP算法建立神经网络模型.最后根据实验对该神经网络模型中的参数进行了修正,并利用此神经网络模型对基片图像进行边缘检测取得到了较好的效果.实验结果表明,该方法具有良好的泛化性,鲁棒性和自适应性,可以提高图像边缘检测的抗噪声能力.     

基于多尺度知识学习的深度鲁棒水印算法

针对现有基于深度学习框架的水印算法无法有效保护高维医学图像版权问题,提出一种基于多尺度知识学习的医学图像水印算法用于弥散加权图像的版权保护。首先,提出一个基于多尺度知识学习的水印嵌入网络来嵌入水印,并通过微调的预训练网络提取弥散加权图像的语义、纹理、边缘以及频域信息作为多尺度的知识特征;然后,结合多尺度的知识特征来重构弥散加权图像,并在该过程中冗余地嵌入水印,从而获得视觉上与原始图像高度相似的含水印的弥散加权图像;最后,提出一个基于金字塔特征学习的水印提取网络,并通过在含有水印的弥散加权图像的不同尺度的上下文中学习水印信号的分布相关性来提高算法的鲁棒性。实验结果表明,所提算法重构出的含水印图的平均峰值信噪比（PSNR）达到57.82 dB。由于弥散加权图像在转换为弥散张量图像时需满足一定的弥散性特征,所提算法仅8个像素点的主轴方向偏转角大于5°,且这8个像素点均不在图像的感兴趣区域。此外,该算法所得图像的各项异性（FA）以及平均弥散率（MD）都接近为0,完全满足临床诊断的要求;且面对裁剪强度小于0.7,旋转角度小于15°等常见的噪声攻击,该算法的水印正确率达到95%以上,能有效保护弥散加权图像的版权信息。     

基于多结构元素的数学形态学图像边缘检测

基于改进的单结构元素抗噪型形态边缘检测算子和形态滤波思想,提出了一种多结构元素的多路加权合成形态边缘检测算法。在该算法中,采用峰值信噪比代替固定均值来确定加权参数,是一种自适应方法。与传统的边缘检测算法的对比实验表明,该算法图像边缘检测效果较好,降噪能力也得到了提高。     

基于自适应噪声添加的防御对抗样本的算法

深度神经网络容易受到对抗样本的攻击。为了解决这个问题,一些工作通过向图像中添加高斯噪声来训练网络,从而提高网络防御对抗样本的能力,但是该方法在添加噪声时并没有考虑到神经网络对图像中不同区域的敏感性是不同的。针对这一问题,提出了梯度指导噪声添加的对抗训练算法。该算法在训练网络时,根据图像中不同区域的敏感性向其添加自适应噪声,在敏感性较大的区域上添加较大的噪声抑制网络对图像变化的敏感程度,在敏感性较小的区域上添加较小的噪声提高其分类精度。在Cifar-10数据集上与现有算法进行比较,实验结果表明,该方法有效地提高了神经网络在分类对抗样本时的准确率。     

基于改进的模糊BP神经网络图像分割算法

研究了使用BP神经网络方法进行图像分割问题.针对神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢,不适合实时数据处理,造成图像分割分辨率低,清晰度不高等问题,本文提出了一种采用模糊BP神经网络的图像分割算法.采用模糊集理论来约减分割后的图像区域特征,降低特征向量的维数,依据规则构造神经元个数,从而输出决策的分类值,最后采用BP神经网络算法进行迭代,最终得到决策结果并输入分割的图像,最后实验证明本文提出的算法能有效的分割图像,图像分割边缘清晰,同时该算法有效的缩短了样本训练的时间.