基于主轴分析和EDISON—Zernike矩的彩色图像亚像素边缘检测

本文分析了目前常见的亚像素边缘检测方法,提出了一种综合运用主轴分析法、Zernike矩和嵌入置信度的彩色图像亚像素边缘检测算法。首先获取影像三维空间中的主轴,然后利用嵌入置信度的边缘检测算子快速检测出所有可能的边缘点,再利用Zernike矩算子以亚像素精度重新定位边缘。实验表明本文算法优于其它的边缘检测算子,充分利用了图像的彩色信息,定位精度能够达到0.13个像素,并且该方法还具有良好的抗噪声干扰性和处理效率。     

汽车安全带壳体特征视觉检测技术研究

采用对汽车安全带壳体特征进行实时检测的机器视觉系统,完成对壳体特征（如识别孔）的自动定位、检测,避免了直接接触。给出了系统的图像处理部分识别孔检测的一种方法：首先对系统采集到的汽车安全带壳体图像进行预处理,然后用几种边缘检测算子对处理后的图像进行边缘检测并择优选择一种算子,再运用亚像素边缘定位得到亚像素精度级的识别孔边缘并对识别孔进行直径测量。     

一种改进的Canny边缘检测算法

针对Canny边缘检测算法存在的缺陷,提出了一种改进型Canny边缘检测算法。首先采用非线性扩散滤波减少了图像噪声,同时保持图像的边缘信息;在邻域梯度幅值计算中,考虑像素对角线方向的梯度,进一步抑制了噪声的影响;最后采用平均方差阈值法选取阈值,从而提高了对不同图像的自适应性。通过对实验图像的分析表明,该改进算法对含噪图像的边缘提取具有较好的检测精度和准确性。     

基于改进形态学梯度和Zernike矩的亚像素边缘检测方法

为满足电荷耦合器件(CCD)图像测量系统的快速、高精度测量要求,提出了一种基于改进形态学梯度和Zernike矩算法的图像亚像素边缘检测新方法.基于CCD图像灰度和空间结构信息特点,该算法先利用改进的数学形态学梯度算子进行边缘点的粗定位,在像素级上确定边缘点的坐标和梯度方向;然后再根据构造的边缘点向量和参考阈值,用Zernike矩算法对边缘点进行亚像素的重新定位,实现图像的亚像素边缘检测.仿真图像和实际图像的边缘定位实验结果表明,与Zernike矩、LOG-Zernike矩及Sobel-Zernike矩算法相比,该方法具有更好的定位精度与抗噪性,且检测速度更快.     

视觉检测系统中亚像素边缘检测技术的对比研究

在视觉检测系统中,亚像素边缘检测的定位精度是其最终测量精度的关键,国内外很多学者对该问题进行了广泛的研究,提出了各种边缘检测的方法,但是各种方法的定位精度及抗噪声能力的优劣都自圆其说,难以验证.也有很多学者对各种算法进行了对比研究,但使用的评价图像与实际系统采集的图像相差甚远.本文根据视觉系统采集图像的原理生成理想图像,使用各种边缘检测算法对该图像进行亚像素边缘定位,以理想点坐标和实际采集的点坐标的均方差作为标准来比较各个算法的定位精度,并定量地加入噪声,分析各处算法的抗噪声能力以及计算时间.分析和讨论的结果为亚像素边缘定位技术的选取提供可靠依据.     

基于图像测量的微小零件尺寸检测

针对10μm-10mm的微型零件,阐述了现有的主要图像测量技术,包括图像的经典边缘检测算子、亚像素级别的边缘定位检测和实现高精度的尺寸检测方法。同时,总结各种能够提高检测精度的方法,并指出图像测量的未来发展趋势。     

基于视觉图像的机加工零部件亚像素边缘定位

首先介绍了LOG算子的快速定位方法以及二维理想图像边缘模型的空间矩亚像素细分算法的基本原理;在此基础上给出了符合实际图像采样的三级灰度图像边缘模型的空间矩算子,并推导了该算子的原理误差公式。最后利用试验对空间矩算子亚像素定位方法的有效性、精度进行了研究,并给出了该方法的亚像素定位与实测尺寸的对比结果。结果表明该方法比传统的边缘检测算子的边缘定位精度有较大提高。     

机械零件尺寸图象测量中的边缘检测算法

这里提出了一种应用于机械零件图象测量领域的边缘检测算法：使用基于Sobel算子的改进的方向算子,综合利用图像灰度信息和灰度梯度信息对目标边缘进行检测和亚像素精确定位。在文章的最后,用实例说明了本算法的可行性。     

基于Franklin矩的亚像素级图像边缘检测算法

为了满足计算机视觉标定与精密测量对图像边缘定位的精确度高和抗噪性强的要求,提出一种基于Franklin矩的亚像素级图像边缘检测算法。首先,建立亚像素边缘模型,利用各级Franklin矩的卷积来提取图像边缘点的细节特征;然后,依据Franklin矩的旋转不变性原理,分析图像边缘旋转至垂直方向后各级Franklin矩之间的关系,从而确定图像中亚像素边缘的关键参数;最后,根据改进的边缘判断条件,确定图像中的实际亚像素边缘点。大量实验结果表明,与基于Zernike矩的亚像素级算法、基于小波变换与Zernike矩结合的亚像素级算法、基于Roberts算子与Zernike矩结合的亚像素级算法相比,本文提出的基于Franklin矩的亚像素级图像边缘检测算法速度更快,精度更高且抗噪性强,更好地满足了对于图像边缘定位稳定可靠及高精度测量的要求。     

应用正则化影响函数扩散模型的星图噪声滤波

由于恒星星图的噪声滤波对保持星点的边缘细节要求较高,本文以塔基（Tukey）扩散模型与改善的PM（Perona-Malik）模型为基础,提出了一种基于正则化影响函数扩散模型的星图噪声滤波方法。该方法通过导数算子提取边界点集,利用图像中原始像素和噪声像素的空间分布特性对图像进行噪声滤波处理,并通过给定边界条件恢复图像边缘。由于避免了方差稳定（VS）变换,该方法可以直接处理高斯噪声。对普通图像和添加高斯噪声星图进行了仿真测试,并与普通扩散函数算法进行了比较。实验结果表明：提出的算法表现出了较好的噪声滤波能力,同时有效地保持了特征图像的边缘。相对于普通扩散函数算法其平均绝对误差降低了13.6%,峰值信噪比平均提高了6.1%。得到的数据显示,本方法的滤波能力优于普通的扩散函数方法,特别适用于星图的噪声滤波处理。     

基于导向滤波Retinex和自适应Canny的图像边缘检测

机器视觉识别常用金属制品边缘时,表面亮度不均易导致边缘误识别,且传统的边缘检测算法去噪的同时也抑制了大量边缘信息,降低了边缘检测质量。本文提出一种基于导向滤波Retinex和自适应Canny的图像边缘检测算法。该算法采用基于导向滤波的Retinex法得到金属制品图像的反射分量,通过加权分布的自适应伽马校正提升反射分量图像对比度;然后,采用自适应各向异性扩散滤波对增强后图像进行去噪处理,抑制增强后图像的噪声及低对比度纹理,再采用改进四方向Sobel梯度模板提取图像边缘;最后沿用传统Canny算法的非极大值抑制及双阈值分割进一步细化边缘。实验结果表明,新算法检测典型金属小零件时,图像锐度指标由原图的47.11提升至68.39,金属表面的亮度标准差从原图的44.76下降至20.16;噪声指标从原图的1.1下降到0.15左右,并且在去噪的同时较好地保留了图像边缘锐度。新方法有效改善了金属表面图像因亮度不均导致的边缘误识别问题,并且提取的边缘连接性较好。     

基于形态学可变结构元素的遥感图像边缘检测方法（英文）

利用单一结构元素对遥感图像进行形态学边缘检测时,可能会出现边缘不完整、抑制噪声能力差等问题。为此,提出了一种基于可变结构元素的遥感图像形态学边缘检测方法。首先,依据遥感图像目标的多样性,构造不同尺度和包含多方位的结构元素,以此可变结构元素为基础,构建相应的形态学运算,对遥感图像进行Top-hat和Bottom-hat变换,抑制目标背景中的噪声,突出图像目标边缘;然后利用构造的可变结构元素进行形态学边缘检测,获得多幅具有不同尺度和方位边缘特征的图像;最后对各个方向边缘进行加权求和得到图像边缘,运用最小二乘法对其边缘进行拟合,从而精确地定位出目标边缘轮廓。实验结果表明,本文方法能够检测到完整的遥感图像边缘信息,边缘检测精度较高,抗噪性能优越,相比经典边缘检测算子和单一结构元素的形态学边缘检测方法,图像边缘检测效果较好,检测精度达到95%。     

基于特征驱动的双向耦合扩散 方程的图像去噪和边缘锐化

提出了一个新的能够同时去除图像噪声和锐化边缘的扩散方程模型。根据图像特征, 例如边缘, 纹理和局部细节, 这个特征驱动的双向耦合扩散模型沿着等照度线(边缘)的梯度方向从前向扩散转变为后向(逆)扩散; 而相反地沿切线方向实施前向扩散。为了消除前向力和后向力之间的冲突,将扩散方程分裂为一种耦合的形式; 同时为了保持图像特征,利用图像的方向导数局部地调整非线性扩散系数。实验结果显示, 本文算法能够在去除图像噪声的同时, 有力地增强图像的特征。     

船体零件几何尺寸测量图像分割方法研究

针对船体零件表面划痕、锈蚀以及下表面成像等因素导致的伪边缘及边缘不连续问题,提出了基于边缘与 k-means 聚类的船体零件图像分割方法.对于表面划痕及锈蚀形成的伪边缘,在矩形边缘检测区域内利用轮廓法线方向与边缘梯度方向信息予以剔除;零件下表面成像导致的伪边缘,选取 k-means聚类区分零件的上下表面边缘;边缘不连续问题,基于测地距离和断点方向准确连接断点,形成封闭轮廓.实验结果表明,使用该方法可获得平滑、封闭的分割效果,船体零件的几何尺寸测量误差低于 ０.５mm ,且测得量值标准偏差的平均值为 ０.２６２mm ,测量重复性较高,有效保障了船体零件几何尺寸的测量精度.     

基于多尺度边缘检测的自适应阈值小波图像降噪

在图像处理中，去除图像中所含噪声而不使其边缘模糊是一个难题。考虑到小波变换在时域和频域均具有良好的局部特性，加之其多分辨率、去相关性等特点，本文提出了一种基于多尺度边缘检测的自适应阈值小波图像降噪方法。该方法将与噪声和边缘相关的小波系数和与同性区域相关的小波系数区别对待。在每个分辨层次，图像的边缘由梯度的幅度来进行估计（梯度的幅度由小波参数导出），且与噪声和边缘有关的梯度的幅度分布由Rayleigh概率模型化。基于此模型，得到该层的收缩函数。为充分利用尺度间相关性，各层的收缩函数被合并起来，进一步保持图像边缘。对与同性区域相关的小波系数，则采用一个基于Bayesian估计的自适应阈值进行处理。实验结果表明，与已有方法相比，该方法不仅可获得较清晰的图像边缘，而且降噪性能优良。     

一种基于均值滤波和梯度影响因子的滤波算法

均值滤波采用邻域平均法对图像进行滤波,在降低噪声的同时破坏了图像的细节和边缘。针对这一问题提出了一种在均值滤波算法的基础上增加梯度影响因子的滤波算法,可实现在滤波的同时尽量保留图像的边缘,达到既减小图像噪声又保留边缘的目的。将梯度影响因子进行多项式展开可以降低程序的时间复杂度。通过实验对比表明,改进算法对图像细节和边缘有更好的保护,同时达到更好的滤波效果。     

基于二进小波和抗噪形态学的烟雾边缘检测算法

针对枪口烟雾图像的不规则性以及烟雾扩散速度快等特点,传统的边缘检测算法无法高效地提取烟雾边缘轮廓的问题,对烟雾图像采集技术、烟雾图像预处理技术以及烟雾图像边缘检测技术进行了研究,提出了一种改进的二进小波和抗噪形态学融合的边缘检测算法.首先,在 B 样条二进小波基础上,将二进小波消失矩的阶数提高到四阶;其次,选取方向不同的结构元素,得出改进的形态学算子;最后,用小波逆变换重新构造枪口烟雾图像,对其进行锐化处理,输出边缘信息.仿真结果表明,该算法检测出来的枪口烟雾图像边缘定位准确且清晰完整,能有效抑制噪声,在客观方面优于传统的边缘检测算法.     

一种基于小波变换的照明无关边缘检测和模糊增强方法

提出了一种基于小波变换的照明无关边缘检测和模糊增强算法,用于从不均匀的弱照明图像中提取目标边缘。依据照明反射图像形成模板和CCD相机成像公式,推导出图像的小波变换公式。对图像局部区域中边缘与背景像素的小波系数进行比较分析,设计了一种照明无关的小波边缘检测公式。给出一种同时考虑小波模值大小和梯度方向的模糊算子来增强边缘并抑制噪声。最后,采用仿真和真实的图像对该算法进行验证,利用此算法检测阶梯边缘,得到该算法的边缘检测评价标准F系数值为0.984 3,边缘定位精度评价系数E_d值为0.126 5,通过被检测的特征球边缘计算得到的交比值误差为3.72×10^-3。实验结果证实,该边缘检测方法能够很好地工作于非均匀的弱照明图像。     

方向小波变换在直线轮廓物体的边缘检测中的应用

直线轮廓物体的图像边缘往往呈现出一定的方向性规律,若采用能够突现方向性的边缘检测方法,则可以得到比较好边缘效果.随着小波变换在图像处理方面的应用日益广泛,小波变换也被更多地用于图像的边缘检测.但传统的小波变换没有反映出图像的方向特性,而方向小波变换既具有小波变换在信息处理中的优势也能反映出图像信号的方向性,因此,文中将其应用于实验图像的直线轮廓物体的边缘检测,得到了比较好的边缘图像.     

基于小波变换和形态学的图像边缘检测方法

提出了一种基于小波变换和形态学的图像边缘检测方法。对源图像进行小波分解,用数学形态学法对低频子图像进行边缘检测,用小波变换法提取高频图像的边缘,采用一定的融合规则将两个边缘图像融合在一起得到一幅完好的边缘图像。这种边缘检测方法结合了小波变换法和数学形态学法的优点,对用这两种方法得到的边缘信息进行融合,有效地抑制了噪声,且边缘连续、清晰。实验结果表明,提出的这种结合方法优于单独使用数学形态学法或小波变换法。