计算机视觉技术在大米轮廓检测上的应用

分析了使用Roberts算子、Sobel算子、Prewitt算子及模板匹配法和快速模糊边缘检测法对大米轮廓进行边缘检测,并通过对大米图像的分割实验,验证了快速模糊边缘检测法最为有效。为大米等级的分类作了前期准备。     

基于Canny算子的大米边缘检测

阐述了常用边缘检测算子进行边缘检测的方法,详细介绍了Canny算子的边缘检测步骤,并将其应用于大米图像的边缘检测中．实验结果表明,Canny算子提取的边缘线型连接程度较好,可应用于从群体米样提取大米边缘．     

模糊边缘检测算法的改进

本文通过对Pal.King模糊边缘检测算法进行改进，提出了一种新的模糊边缘检测算法。该算法首先定义了一种简单的隶属度函数作为变换；然后根据Ostu法选取的阈值确定增强算子的参数μc，通过我们新定义的增强算子，在模糊特征平面上进行增强运算；接着将增强后的图象模糊特征平面转换为空域图象，最后进行图象的平滑和边缘提取。同时，本文还提出了改进算法的快速算法，对具有多峰直方图分布图象的模糊边缘检测也进行了推广。     

基于邻域加权的多层次模糊边缘检测算法

针对目前边缘检测方法在低对比度图像、噪声图像中检测效果不理想的问题,本文结合微分算子和模糊边缘检测的优点,提出一种基于邻域加权的多层次模糊边缘检测方法。首先,利用微分算子计算图像梯度特征,依据图像梯度特征对图像进行自适应地分层;然后构造模糊函数,用模糊函数增强不同强度的图像梯度特征,取得了较好的边缘检测结果。仿真实验表明:基于邻域加权的多层次模糊边缘检测算法能较好地检测低对比度图像的边缘,同时能有效抑制椒盐噪声、高斯噪声对图像边缘检测的干扰。     

医学图像边缘快速检测的模糊集方法

为了简单有效地获得理想的医学图像边缘,进行医学诊断,提出了一种基于模糊子集组合的图像边缘检测方法．由于图像边缘的模糊性,在边缘检测过程中应用了模糊集运算方法:先将图像的灰度直方图划分成相应的几个不同的子区,并对与灰度方差直方图子区相应的模糊子集进行运算,综合运算结果,最终得到图像的边缘．文中实例及对几种方法的比较表明,提出的Fuzzy算子所得到的图像边缘优于Sobel算子和Prewitt算子时所得到的图像边缘．     

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。     

高速的9×9尺寸模板Zernike矩边缘算子

根据Zernike矩基本原理,提出了基于9×9模板尺寸的Zernike矩边缘算子。首先推导Zernike矩模板计算过程,然后计算出2个9×9模板,并选取二值图像和经过5次平滑的模糊图像为对象对新算子进行了测试。结果表明:对于理想的二值图像,新算子具有较强的边缘细化能力,且边缘检测精度也较高;而对于模糊图像,虽然新算子的边缘检测效果也较好,但应注意边缘图像表征与亚像素坐标数据间存在不一致的现象。最后,采用先粗后精定位思想,使新算子的运算速度大幅提高,耗时仅为0.19s。     

基于乘性梯度的医学超声图像边缘检测算法

通过改进传统乘性梯度（MG）算子,并结合Canny算子的处理结果,准确、快速地提取了医学超声图像的边缘.通过提升乘性梯度算子模板的维度,提高对弱边缘的检测能力;综合考虑乘性梯度算子和Canny算子的运算结果,提高边缘检测的准确度.为了验证该算法的有效性,对仿真及在体超声图像进行边缘提取实验,将结果与其他抗噪性较好的边缘检测方法进行对比.实验结果表明：对于含有不同强度斑点噪声的超声图像,该算法的边缘检测准确度可达75%以上,具有较好的实时性,适用于对医学超声图像进行快速、准确的边缘检测.     

基于DM643的大米边缘视频检测技术研究

以TI公司的多媒体图像处理器TMS320DM643为核心处理器,提出了一种大米外观检测视频处理嵌入式系统硬件的实现方案.基于MATLAB平台对大米样品的视频系统回读图像分别进行了Sobel算子及其改进算法的仿真比较研究.结果表明,改进算法可以检测出更为完整的大米边缘,实现了大米视频图像的实时检测,处理一帧图像仅需42.7 ns.