广义模糊算子应用于图像边缘检测中参数的选择与经验计算

图像边缘检测所提出的广义模糊算子,从理论到方法的实现是任何其他传统的边缘检测技术的重大创 新E它具有边缘定位精度高,检测速度快等优点E但该算法中参数的设置要凭经验选择,应用上不方便E笔者经过 大量实验获取了有关参数计算的经验公式"使该方法中参数的自动设置成为可能。     

基于PCNN的图像边缘检测方法

通过对PCNN点火特性的分析,提出了一种利用PCNN点火阶梯特性和图像灰度统计特性进行图像边缘检测的新方法。在PCNN参数的设置过程中,采用了自适应设置的方法,使得该算法具有较好的实用性。仿真实验表明该方法可以有效地实现图像的边缘检测。     

基于分类器的图像模糊边缘检测快速算法

通过对Pal King边缘检测算法的分析，提出了一种新的模糊边缘检测快速算法。首先对图像进行模糊增强，然后依据当前像素及其8-邻域像素的灰度，设计了一个分类器，通过计算相对于该分类器的模糊隶属度函数值，对像素进行边缘分类；最后锐化所得的边缘像素，剔除噪声。算法抛弃了Pal King方法中复杂的迭代运算，同时也克服了Pal King算法中对图像低灰度值边缘信息的丢失，还可以通过设置不同的参数来检测不同细节的边缘。实验结果表明，该快速算法比Pal King算法的边缘检测能力更强，同时运算速度提高了约20倍。     

铁路扣件图像边缘检测中LoG参数优化

边缘特征是铁路扣件缺陷分类的重要依据。高斯拉普拉斯（LoG）算子提取的边缘特征最接近扣件的真实边缘,但LoG参数的选取直接影响边缘检测效果。针对LoG参数的优化,采用基于布谷鸟搜索优化高斯拉普拉斯边缘检测的算法。利用布谷鸟优化搜索对阈值邻近像素值和标准偏差参数进行优化来提高拉普拉斯边缘检测性能。利用Pratt品质因数IMP值判定检测到的边缘是否最佳。实验证明,该方法有效优化了LoG参数的设置,得到的边缘特征提高了扣件缺陷分类准确率。     

基于置信度融合的边缘检测性能评价基准图计算

针对边缘检测算法的性能评价，提出了一种在真实场景下基于统计、自适应强的评价基准图计算方法。定义了算法参数的相关系数，研究了算法参数相关模型。根据建立的算法参数相关系数得到单算法的预选基准图，对不同算法预选基准图进行基于置信度的图像融合得到可用于边缘检测算法性能评价的基准图。该计算基准图的方法有助于实现边缘检测算法性能评价的自动化，实验结果验证了该方法的有效性及实用性。     

图像边缘检测Laplace算子扩展的讨论

针对边缘检测Laplace算子扩展的问题，提出一种扩展模板方法及扩展模板的权重设置规则。在VC＋＋环境下编程实现该方法，实验结果表明用这种方法进行图像边缘检测，效果更好。     

一种基于变点统计分析的图像边缘检测的方法

基于统计的图像边缘检测方法是计算机视觉中边缘检测的重要方法之一。提出了一种基于非参数变点统计分析的方向性边缘检测算法,该方法可以最小化对图像数字特征的先验信息的需求。深入讨论该算法在含有高斯噪声和椒盐噪声的灰度图像处理中的一些问题,通过实验与MATLAB的经典的边缘算子sobel算子和canny算子相比较。该方法不仅能很好地检测出图像的真实边缘,而且有效地抑制了两种噪声对边缘检测的影响,取得了较好的效果。     

一种精确的袋装粮图像边缘检测算法

基于图像识别的国家储备粮仓袋装粮食数量自动监管与稽核系统的技术核心是智能识别各种粮仓场景图像中粮袋的数量,杜绝人为的弄虚作假。边缘检测是袋装粮图像识别的首要问题,在分析了经典的以及在其基础上进行各种改进的Laplace算子缺陷的基础上,提出了1种改进的Laplace算子,该算子通过设置合理的模板参数克服了原有算子的不足,提高了图像边缘检测的精度。实验结果证明,该算子检测效果优于其他模板,并且能够精确地检测出各种类型的边缘信息。     

基于边缘检测的图象小波阈值去噪方法

边缘特征是图象最为有用的高频信息，因此，在图象去噪的同时，尽量保留图象的边缘特征，应是图象去噪首要顾及的问题。基于这一思想，提出了基于边缘检测的图象小波阈值去噪方法。该方法在去噪之前，先通过小波边缘检测方法确定哪些小波系数是图象的边缘特征，这些小波系数将不受阈值去噪的影响，因此，可以只是根据噪声方差来设置去噪的阈值，而不必担心损害图象的边缘特征。理论分析和实验结果都表明，与普通的小波阈值去噪方法相比，该方法不但可以保持图象的边缘信息，而且能提高去噪后图象的峰值信噪比1-2dB。要做到既去除图象噪声，又不模糊图象边缘特征是很困难的。该方法把去噪和边缘检测结合起来，在一定程度上解决了这种两难的问题。     

最优化凸分组在目标检测中的应用研究

针对不同场景下静态图像中单目标的检测问题,结合自然界各个目标特有的凸属性特点,提出了一种基于最优化凸分组的目标检测方法。比较系统地论述了最优化凸分组的基本原理,介绍了详细的实现过程,主要包括Canny边缘检测参数的设置、基于边缘点的线段拟合、凸分组中凸多边形的构造以及最优化凸多边形的判定。实验结果表明,该方法对任意场景下的单目标检出率和检测准确性良好,结合目标凸属性的最优化判定方式具有检出速度快,且不受机器学习中的样本数据影响的特点,具有很好的普遍适应性。