基于截断奇异值低秩矩阵恢复的Canny边缘检测算法

针对Canny算法在处理噪声图像时存在的不足,为提高其准确性和鲁棒性,提出一种基于截断奇异值的低秩矩阵恢复方法,以及一种更加准确的双噪声凸优化模型和求解方法。使用经典Canny边缘检测算法作用于分解后去除冗余信息的主成分上,将图像的边缘检测转化为对主成分的边缘检测,可以在有效地去除脉冲噪声和高斯噪声干扰的同时,更好地保留边缘信息。为验证其有效性,在不同噪声浓度以及混合噪声情况下进行实验,结果分析表明,基于低秩矩阵恢复的边缘检测算法可以更好地保留完整的边缘信息,提高边缘检测的准确性及鲁棒性。     

基于RPCA的图像模糊边缘检测算法

针对传统边缘检测方法未能在抗噪性能与边缘检测精度之间取得较好的权衡的问题,利用鲁棒主成分分析模型良好的矩阵恢复能力与图像模糊边缘检测算法较佳的边缘检测性能,提出一种基于RPCA的图像模糊边缘检测算法,将图像的边缘检测问题转化为图像主成分的边缘检测问题。该算法对含噪图像进行RPCA分解,得到对应的稀疏图像和低秩图像,再用一种基于阈值的隶属函数将低秩图像转化至等效的模糊特征平面,并在该特征平面上进行模糊增强运算,最后进行空域转化及边缘提取等操作得到最终的边缘图像。实验结果表明,该算法提高了边缘定位的精度,对不同类型、不同强度的噪声均具有较好的抑制能力,适用于对实时性要求不高的图像处理。     

基于RPCA的皮革图像缺陷检测

提出了一种皮革视觉缺陷检测算法.通过分析皮革图像的低秩特征,将皮革图像缺陷检测问题转变为从低秩背景图像中分离稀疏矩阵图像.首先采用Gaussian高通滤波器对图像进行了预处理,然后利用鲁棒性主成成分分析(RPCA)对图像进行低秩稀疏分解,并采用效率较高的非精确增广拉格朗日乘子法(IALM)求解.对分解后的稀疏图像进行了后处理,最终在二值图像中获得缺陷的形状和位置.该算法的效率及准确率已经在实验中进行了验证,并与现有算法进行了比较.实验表明,该算法可以用来检测各种不同种类和大小的缺陷,检测准确率高且能够提供完整的缺陷掩模.     

基于帧间相似性约束鲁棒主成分分析模型的运动目标检测

针对鲁棒主成分分析模型RPCA(robust principle component analysis)未能有效地利用相邻两帧具有相似性这一特性,提出基于帧间相似性约束鲁棒主成分分析模型的运动目标检测算法。考虑到时间序列数据中相邻数据之间的相似性特性,在原始的RPCA模型基础上,引入帧间相似性约束条件,通过求解新的RPCA模型可以得到平滑的低秩数据矩阵和稀疏误差矩阵,有效保留了原有序列数据中的相似性结构。将该模型用于运动目标检测,观测图像序列分解成低秩背景矩阵和稀疏运动目标矩阵,对分解出的运动目标进行二值化,并对检测出的运动目标图像进行定性分析和采用Similarity与F-measure评判标准进行定量分析。通过实验结果分析,该算法能够有效地对运动目标进行检测,提高运动目标的检测率。     

基于稀疏主成分分析和自适应阈值选择的图像分割算法

图像分割是机器视觉中的基础问题,基于阈值的图像分割算法依赖于参数调整,但参数调整容易受到局部最小值的影响且需要耗费大量时间,从而降低了分割算法的质量和效率。为了实现图像分割过程中的自适应阈值选择,提出了一种基于稀疏主成分分析和自适应阈值选择的图像分割算法。该算法首先利用稀疏主成分分析感知图像的噪声水平以自适应去噪,其次通过二维直方图感知图像的主干区域内容以自适应获得全局分割阈值,然后通过移动平均法的局部阈值分割算法对图像进行分割,最后将全局阈值分割和局部阈值分割图像结合,从而获得最佳的分割图像结果。在伯克利数据集上的仿真实验结果表明:相比传统的阈值分割算法,该算法在分割边缘的准确性和对噪声的鲁棒性上具有一定的优势,在主客观上均具有较好的分割效果,基于稀疏主成分分析的自适应阈值选择方法提高了图像的分割质量。     

一种改进的图像融合技术

以离散平稳小波变换代替离散小波变换,利用Canny算子和交叉视觉皮质模型提取图像特征,将像素级融合和特征级融合相结合以获得好的融合效果。源图像经过离散平稳小波分解得到近似部分和细节部分。对于第一分解水平的细节部分,利用主成分分析算法计算出最大特征值,依据最大特征值进行加权平均融合。对于其他细节部分,根据区域能量进行融合。对于近似部分,先利用Canny算子进行边缘检测以得到边缘特征图像,再以边缘特征图像作为交叉视觉皮质模型的输入,根据各神经元的点火次数进行融合。对得到的融合图像的细节部分和近似部分进行离散平稳小波反变换得到融合图像。最后以多聚焦闹钟图像和CT、MRI图像对提出的算法进行实验,实验结果表明:提出的算法优于传统的融合算法。     

基于各向异性扩散方程的Canny边缘检测算法

Canny边缘检测算法由于使用高斯滤波对图像进行平滑,往往使得算法的信噪比和定位精度下降,从而产生一些虚假边缘,使角点变圆。针对Canny算法所出现的问题提出了一种改进方法,运用各向异性扩散方程代替高斯滤波,并对扩散后的图像做图像增强。实验结果表明,该算法有效地提高了边缘检测的准确性,得到了比较理想的边缘检测效果。     

基于主成分分析的珠宝自动定位及检测方法

针对不规则物体形状特征难以估计的问题,以实现对珠宝的自动测量技术为前提,通过引入主成分分析的概念,提出一种新的对不规则珠宝图像的自动检测方法。该算法首先利用主分量分析提取出目标珠宝图像的主轴,然后根据优化后的主轴方向计算珠宝外接矩形的四个顶点,最后定位出最优外接矩形的位姿从而完成对不规则珠宝轮廓的检测。将所提算法用于真实珠宝图像,结果表明,算法能够准确定位检测出图像中的目标。与利用重心原理结合最小二乘法的方法和以投影为基础计算能量最大值的算法相比,实验图像的主观效果和客观的误差分析都表明了该算法在准确性和鲁棒性的优势。     

向量空间的彩色图像边缘检测方法

彩色图像中邻近区域可能具有不同的色调但是具有相同的亮度。在彩色图像中明显的边缘在对应的灰度图像中不一定能够被检测出。该文提出一种自适应的基于主成分分析(principal components analysis,PCA)的彩色图像到灰度图像的边缘保存的转换方法,能够较好的保存彩色图像的边缘。使用Canny方法对转化的图像进行边缘检测。实验结果表明,该文方法能够得到较好的彩色图像边缘检测结果。     

基于主成分分析网络的车牌检测方法

车牌识别是智能交通系统的核心技术,车牌检测是车牌识别技术中至关重要的一步。传统的车牌检测方法多利用浅层的人工特征,在复杂场景下的车牌检测率不高。基于主成分分析网络的车牌检测算法,能够无监督地逐级提取车牌深层特征,可有效提高算法的鲁棒性。算法首先采用Sobel算子边缘检测和边缘对称性分析获取车牌候选区域;然后将候选区域输入到主成分分析网络中进行车牌深度特征提取,并利用支持向量机实现对车牌区域的判别;最后采用非极大值抑制算法标记最佳车牌检测区域。利用收集的复杂场景下的车辆图像对所提方法的参数进行分析,并将其与传统方法进行比较。实验结果表明,所提算法的鲁棒性高,性能优于传统的车牌检测方法。     

基于自适应方向导数滤波器的彩色边缘检测

传统彩色边缘检测算法在提高边缘检测准确性时可能将噪声检测为边缘,而在提高噪声鲁棒性时会将部分边缘当作噪声进行抑制,导致部分边缘信息丢失。为解决传统彩色边缘检测算法在边缘检测准确性与噪声鲁棒性之间的矛盾问题,提出一种基于自适应各向异性高斯方向导数（ANDD）的彩色边缘检测算法。通过彩色图像的微分自相关矩阵构建反映边缘类型的度量准则,以自适应地确定每个像素处ANDD滤波器的形状,从而准确提取不同类型的边缘特征,采用ANDD滤波器组对图像进行平滑处理,提取在三个通道上的ANDD特征。在此基础上,利用奇异值分解得到最优融合权值,并融合三个通道的ANDD特征,以增强彩色边缘强度。实验结果表明,该算法在无噪声和含噪声环境下的Pratt品质因子分别为0.849 6和0.791 4,与彩色Canny、RCMG-MM和FRPOS算法相比,在保持较高边缘检测准确率的同时具有较优的噪声鲁棒性。     

基于Canny算子图像边缘检测的改进方法

针对传统Canny算子在边缘检测中的不足,提出一种基于Canny算子图像边缘检测的改进方法。传统Canny算子的高低阈值一般是人为地设定固定值,这容易造成虚假边缘。对此,利用最小交叉熵计算Canny算子的高低阈值,得到理想的边缘后,利用数学形态学对结果进行后处理。实验结果表明,改进后的算法具有自适应性,抑制噪声能力较强,有效地提高了边缘检测的鲁棒性。     

一种改进的边缘检测算法

针对图片易受到噪声的干扰很难检测到真正的边缘,提出了一种新的边缘检测算法,该算法首先对含有噪声的图片采用二维小波分析和图像的中值滤波进行图像平滑预处理,然后采用遗传算法改进的sobel边缘检测算法对图像进行边缘检测.再对预处理的图片进行Canny算子检测,得到清晰的连续的边缘.把sobel边缘检测算法和Canny边缘检...     

融合时域和分水岭信息的车辆检测算法

在实时视频图像车辆目标检测时,为了克服行进中车辆背景噪声和阴影带来的准确率低、漏检率高等问题,提出一种时空融合和内外标记的分水岭车辆检测算法。通过相邻视频三帧差法得到的时域运动变化信息结合Canny算子得到的边缘图像相结合,得到时域掩模图像。利用文中提出的基于二次重构、内外区域标记、梯度修正的分水岭空域算法对运动区域及其周围区域进行分割,解决了一般分水岭算法的过分割现象。将得到的结果进行投影,以提高运动状态下车辆的检测精度。实验结果表明,在车辆背景噪声和阴影的影响下,该算法的检测效果仍然较好,车辆漏检率降低到4.90%,算法的准确性、鲁棒性和适应性较好。     

基于脉冲耦合神经网络的异源图像融合方法

针对基于主成分分析与二代小波变换的图像融合算法中鲁棒性不高、融合图像质量较低的问题,提出了基于鲁棒性主成分分析与脉冲耦合神经网络的融合方法.所提出的算法将可见光与红外图像进行二代小波变换,转换为高频与低频信号,接着采用不同的融合策略针对低频和高频信号进行融合.针对低频信号,利用鲁棒性主成分分析法还原低秩矩阵并采用加权平均的融合策略进行融合;针对高频信号,将其送入至脉冲神耦合神经网络中进行融合得到融合后的小波系数.将融合后的小波系数进行逆变换,得到最终融合图像.实验结果表明,相比于基于主成分分析与二代小波变换的图像融合算法,利用所提出的出算法得到的融合图像中熵指标、空间频率指标、结构相似度指标和峰值信噪比指标均得到了不同程度的提升.因此,所提出的算法能够更好地提取目标信息,使融合图像中目标的轮廓边缘更加清晰,同时将提升小波分解出的高频信息利用PCNN进行融合,更加突出细节信息.     

利用Gabor方向导数相关矩阵的角点检测

为了提高角点检测的准确率,提出了一种使用图像的Gabor方向导数构建相关矩阵来进行图像角点检测的算法。算法首先通过Canny边缘检测算法提取检测图像的边缘轮廓;然后使用Gabor滤波器对图像进行平滑,利用每一个边缘像素和其邻近像素的Gabor方向导数构建相关矩阵,若相关矩阵的归一化特征值的和大于预定阈值并且是局部极大值,则标记该像素为角点。算法利用邻近像素Gabor方向导数之间的相关信息提取角点,与传统的基于轮廓的角点检测算法相比,检测性能更加稳健。实验结果表明：在含噪声和无噪声情况下,提出的算法检测到的真实角点更多,而错误角点更少,整体性能有明显提升     

基于SIFT点特征和Canny边缘特征匹配的多源遥感影像配准研究

针对多源遥感影像的配准,提出了一种结合SIFT点特征和Canny边缘特征匹配的配准算法。该算法首先采用SIF7算法提取点特征并进行影像粗配准,在获得初始仿射变换参数后,采用Canny算法提取边缘特征,并采用成本函数法进行边缘点匹配,经粗差滤除后得到有效的匹配特征点对,随之进行影像精配准。该算法结合了SIFT、算法和Canny算法的优点,解决了多源遥感影像因辐射差异和几何差异造成的难以正确配准的问题。实验结果表明,算法具有较强的鲁棒性,并取得了较好的配准精度。