基于灰预测模型的图像边缘检测新方法研究

图像的边缘是图像特征提取与分析理解的基础,其检测质量直接决定后期理解的效果。为了更有效地检测出图像边缘信息,提出了一种基于灰色预测模型的图像边缘检测新方法。该方法向GM(1,1)求解模型的指数中加入了一个调整参数p,通过选择象素周围不同方向的象素数据点以及2次调整参数p的取值对图像进行预测处理,从而得到1幅轮廓增强和1幅未增强的预测图像,将这2幅图像做差,便获得了1幅图像的边缘位置信息。使用改进后的方法对1组图像进行了预测处理,其结果表明,该算法能够有效地检测出图像的边缘信息,并且图像的细节部分也能够清楚地获得,说明是一种有效的图像边缘检测新算法,同时为灰色理论应用于图像边缘检测进行了尝试与探讨。     

系统云灰色模型的人工神经网络建模

利用人工神经网络的方法实现系统云灰色模型的参数白化，提出了系统云灰色神经网络模型SCGNNM(1，1)，并给出了相应的学习算法。仿真结果证明了模型的可行性。     

结构相似性灰关联在强噪声图像增强中的应用

为提高强噪声环境下的图像质量,提出一种图像增强新算法．该算法首先对含噪图像进行多尺度小波分解,得到不同尺度、不同方向下的频域信息,然后利用图像中噪声与边缘在不同频带上的分布规律和衰减特性,通过灰色理论中的灰色关联度来区分噪声与边缘,从而在噪声抑制和边缘增强两个方面提高图像的质量．实验结果初步显示,与传统的空域滤波方法和相对较新的小波自适应阈值去噪、Contourlet域自适应阈值去噪等方法相比较,新算法所得图像的视觉效果得到了改善,峰值信噪比最优,可用于强噪声环境下的图像增强预处理．     

一阶灰色系统模型在图像处理中的应用

把一阶灰色系统模型引入图像处理领域，论证了灰色系统理论同样适用于图像处理，为了给灰色系统理论在图像处理中的应用提供依据，提出了应用算法，并用算法将灰色系统理论有效地应用于椒盐噪声的去除，对算法在不同噪声密度下的效果做出比较，为图像处理的各方向的研究提供了新工具。     

一种新的模糊图像边缘检测方法

边缘检测技术是图像预处理中最重要和最困难的任务之一，本提出了一种新的模糊图像边缘检测算法，算法中图像所对应的模糊特征平面通过一个基于阈值的隶属函数来提取，在模糊特征平面上应用模糊增强算子对低灰度区域的大部分象素进行衰减运算，对高灰度区域的大部分象素进行增强运算来提高两个区域之间的对比度，图像的边缘采用min或max算子来提取，仿真结果表明，该算法是一种有效的边缘检测方法。     

一种基于Sobel算子的彩色图像边缘检测新算法

在研究灰度图像边缘检测方法的基础上,针对彩色图像的特点,提出了一种改进的Sobel算子边缘检测算法,并用MATLAB进行了仿真。仿真结果表明,直接利用Sobel算子对彩色图像进行边缘检测,得到的结果图像边缘比较模糊,而本文提出的改进算法,不但图像边缘比较清晰,而且还能有效降低图像的噪声,将Sobel算子边缘检测算法从灰度图像很好地移植到了彩色图像。     

两种灰色神经网络模型及应用

给出了2种灰色神经网络模型GNNM（1，1）和GNNM（2，1），该模型具有灰色系统的少数据建模优点及神经网络的精度可控特性，并给出了相应的学习算法，然后通过示例说明模型的可行性。     

融合灰色马尔科夫理论的二进小波图像的复制－粘贴篡改检测算法

提出了一种二进小波图像的篡改检测算法,对待测图像进行二进小波图像分解,然后提取其每个图像分块的高低频子图特征值进行分析。为了使该算法能够在大量图像篡改检测过程中保证其检测率、错误率,使用基于灰色理论与马尔科夫链的融合模型对该算法的检测率、错误率进行预测,将预测值进行均值计算得到平均检测率与平均错误率。通过与文献算法比较检测率、错误率均值,证明了该算法在避免偶然的情况下,提高了检测率并降低了错误率。     

基于伪极傅里叶变换和ROA融合的SAR图像边缘检测算法

提出了基于伪极傅里叶变换和融合的SAR图像边缘检测算法.首先采用伪极傅里叶变换提取较弱的图像边缘特征,并利用Ratio边缘检测算法抑制相干斑噪声对SAR图像边缘特征的影响.然后利用两种算法所得到系数的幅值、方向和角度信息构建置信指派函数,引入D-S证据理论实现两种边缘检测算法的最优融合,获取了SAR图像最佳的边缘特征.仿真结果表明,该算法所提取的边缘特征完整、定位准确.     

基于GM(1,1)图像边缘检测改进算法研究

由于传统的边缘检测算法会产生信息漏检以及伪影等问题,为了更有效地检测出图像边缘信息,提出了改进的基于灰色预测模型的图像边缘检测方法.该方法首先在图像考察点邻域选择建模数据,对建模数据进行平移与对数变换的预处理,通过引入增强因子p的GM(1,1)模型对建模数据进行处理,得到原始图像的预测图像,通过对预测图像与原始图像做差得到边缘检测结果.为了统一标准,将图像库中图像转换为256*256的bmp格式图像,使用改进后的方法对转换后80幅图像进行边缘检测,其结果表明该算法可以清晰地检测出图像的边缘信息,同时图像的细节也很好地保留下来.说明该改进方法的性能较未改进方法有了大的提高.     

改进的GM（1,1）灰色模型在大坝沉降预测中的应用

针对传统GM（1,1）模型的不足,分别从提高原始序列的光滑度、优化背景值、优化时间响应函数三个方面对其进行了改进,对模型进行后验差检验进行模型精度检验,并建立了一种新的GM（1,1）模型,将改进了的模型应用于大坝沉降预测中,结果显示,新的GM（1,1）模型拟合预测精度明显高于传统模型.     

基于自适应精英蚁群算法的GM（1,1）预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b两参数对模型的预测精度有直接影响。在分析GM建模原理和参数对模型精度影响的基础上,提出了一种信息素浓度自适应调整的精英ACO算法与GM（1,1）融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用了改进的ACO算法来求解模型的最优参数。试验结果表明：与传统的GM(1,1)模型相比,改进的ACO算法与GM（1,1）融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型具有优越性,是提升模型精度一种新思路。同时也说明了运用自适应精英策略改进蚁群算法提升算法全局寻优能力是合理的科学的。     

基于GM(1,1)模型的用电量灰预测方法

根据社会存在用电量不确定因素较多,变化趋势较为明显的特点,基于灰系统理论建立灰模型（GreyModel,GM）对用电量进行灰预测;用新信息替代旧信息构造了新息GM（1,1）模型,并及时反映目标值的时变特性,更好地考虑实际数据的影响。算例表明：模型的置信度达到99.15%,而误差仅为2.96%,说明用GM（1,1）模型进行用电量预测是有效的。     

GM(1,1)模型的改进及其在变形预测中的应用

为了提高GM(1,1)模型预测精度,采用积分优化、二次拟合优化以及残差改化方法,分步对GM(1,1)模型进行改进,建立灰色多重修正模型。具体改进步骤为:首先,利用积分优化方法对背景值进行纠正,减小模型误差并提高预测精度; 接着,对模型参数(发展系数和灰作用量)进行二次拟合优化,使参数更加接近理论真值; 然后,根据预测结果进行适当的残差改化,提高模型整体的预测精度; 最后,建立根据GM(1,1)模型改进的灰色多重修正模型。以重庆南川地区甄子岩崩塌为例,建立灰色多重修正模型对危岩裂缝累计位移值进行模拟和预测,并与GM(1,1)模型进行对比。精度检验结果表明:灰色多重修正模型后验差比值(0.082 39)明显好于GM(1,1)模型(0.192 67),平均相对残差比(0.073 9)更远好于GM(1,1)模型(0.259 6),表明灰色多重修正模型在预测精度上有较大提高,可靠性更好。     

水资源综合评价中典型区人口预测研究

在人口预测中,避开复杂系统的内部因素及他们之间的相互联系,从人口量序列综合灰变量本身寻找有用的信息,利用其动态记忆性,建立了灰色模型.对GM(1,1)模型进一步分析后,建立了新的GM(1,1)修正模型,将其用于典型区人口预测,取得了较满意的结果.     

灰色拓扑模型在短期股票预测中的应用

股票价格走势的预测是投资和证券理论界普遍关注的课题,灰色理论主张用单因素GM（1,1）模型进行灰色预测,然而GM（1,1）模型形状简单不能够反映不规则的任一波形,故原始数据频频波动时,通常采用拓扑预测。本文采用改进的灰色拓扑方法研究了股票价格走势预测模型,并通过实证研究说明了该模型具有预报应用价值。     

基于灰色系统的机床热误差建模研究

针对机床加工过程中的热变形误差受多因素影响,变化趋势复杂,难以用常规预测方法进行有效预测的问题,该文提出了一种新的基于改进灰色系统的智能预测模型。该模型利用函数变换法改善灰色系统数据序列的光滑度,采用等维新陈代谢法克服了传统的灰色预测模型的不足,所建模型具备了输入数据动态更新的能力,预测更趋于合理。将该模型应用于工厂现场的一台数控车削加工中心进行热误差趋势的预测,从而实现热误差的补偿研究。研究表明,该模型的预测性能优于全数据GM(1,1)模型和新信息GM(1,1)模型,是运用灰色系统理论进行机床热误差补偿建模最理想的模型,具有优异的补偿功能,能够有效的提高机床加工精度。     

一种新的改进GM（1,1）模型及其应用

通过对传统GM（1,1）模型的分析,针对影响预测精度的因素之一提出了一种改进的GM（1,1）模型,并将该新模型用于预测2010到2015年的道路乘客交通量.最后,通过试验结果可知新模型比传统GM（1,1）模型预测结果在预测精度上有了很大的提高,表明了该方法的有效性.