基于软化形态学的边缘检测

在介绍适用于二值图象的软化形态学的定义及特性的基础上,将软化形态学概念加以推广,使之适用于灰度图象,并提出了一种基软化形态学的边缘检测方法－ＳＭＤ,还把此方法与其他的基于匀边形态学方法进行了比较,实验结果表明该方法具有很强的抑制噪声能力。     

基于深度学习和边缘检测的动态场景下鲁棒SLAM

机器人在执行同时定位与地图创建(simultaneous localization and mapping,SLAM)的复杂任务时,容易受到移动物体的干扰,导致定位精度下降、地图可读性较差、系统鲁棒性不足,为此提出一种基于深度学习和边缘检测的SLAM算法。首先,利用YOLOv4目标检测算法获取场景中的语义信息,得到初步的语义动静态区域,同时提取ORB特征点并计算光流场,筛选动态特征点,通过语义关联进一步得到动态物体,利用canny算子计算动态物体的轮廓边缘,利用动态物体以外的静态特征点进行相机位姿估计,筛选关键帧,进行点云叠加,利用剔除动态物体的点云信息构建静态环境地图。本文算法在公开数据集上与ORB_SLAM2进行对比,定位精度提升90%以上,地图可读性明显增强,实验结果表明本文算法可以有效降低移动物体对定位与建图的影响,显著提升算法稳健性。     

基于边缘连续性的边缘检测算法

针对传统的边缘检测算法抗噪能力弱、弱小边缘难以检测以及边缘图像容易出现断层等问题,本文提出了一种新的边缘检测算法。该方法首先对边缘进行提取,然后进行边缘连接。边缘是图像灰度突变的反应,像素点的梯度以该像素点为对称中心,由对称位置灰度有明显变化的像素点的个数加权得到。对梯度较大的像素点计算其方向,通过像素点方向的连续性进行边缘提取。为了克服边缘图像出现断层的缺陷,利用蚁群算法进行边缘连接 。实验结果表明,该方法有较强的抗噪能力,尤其对椒盐噪声,且可以有效地检测出灰度变 化不明显的边缘。     

手指静脉图像鲁棒边缘检测算法*

手指静脉识别技术已成为研究热点, 为定位用于识别的静脉区域, 首先需要对手指边缘进行检测. 对于低质量手指静脉图像, 经典边缘检测算法检测效果不理想. 为此, 提出一种新的可应用于低质量手指静脉图像的鲁棒边缘检测算法, 主要分为三个步骤：首先, 寻找手指内部分界线, 将图像分为上下两个部分;其次, 利用上下两个水平边缘检测模板, 分别检测手指的上下边缘;最后, 检测边缘中的错误片段, 并利用插值、拟合、填补等技术进行修复.实验结果表明该算法具有检测准确率高, 鲁棒性强的特点.     

基于Canny 算子的大米边缘检测

为解决传统边缘检测算法对大米图像边缘检测精度低以及对噪声敏感的问题,提出一种改进的Canny边缘检测算法。该方法首先采用非线性扩散滤波减少图像噪声,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,进一步抑制噪声的影响;最后采用最大类间方差法选取阈值,从而提高对不同图像的自适应性。通过对实验图像的分析表明,本文的改进算法运用到大米图像边缘提取中效果显著,满足大米质量检测和分级的要求。     

Robust Region Detection via Consensus Segmentation of Deformable Shapes

We consider the problem of stable region detection and segmentation of deformable shapes. We pursue this goal by determining a consensus segmentation from a heterogeneous ensemble of putative segmentations, which are generated by a clustering process on an intrinsic embedding of the shape. The intuition is that the consensus segmentation, which relies on aggregate statistics gathered from the segmentations in the ensemble, can reveal components in the shape that are more stable to deformations than the single baseline segmentations. Compared to the existing approaches, our solution exhibits higher robustness and repeatability throughout a wide spectrum of non‐rigid transformations. It is computationally efficient, naturally extendible to point clouds, and remains semantically stable even across different object classes. A quantitative evaluation on standard datasets confirms the potentiality of our method as a valid tool for deformable shape analysis.     

基于图形处理器的边缘检测算法

边缘检测是一种高度并行的算法,计算量较大,传统的CPU处理难以满足实时要求。针对图像边缘检测问题的计算密集性,在分析常用边缘检测算法的基础上,利用CUDA(Compute Unified Device Architecture,计算统一设备架构)软硬件体系架构,提出了图像边缘检测的GPU(Graphics Processing Unit,图形处理器)实现方案。首先介绍GPU高强度并行运算的体系结构基础,并将Roberts和Sobel这两个具有代表性的图像边缘检测算法移植到GPU,然后利用当前同等价格的CPU和GPU进行对比实验,利用多幅不同分辨率图像作为测试数据,对比CPU和GPU方案的计算效率。实验结果表明,与相同算法的CPU实现相比,其GPU实现获得了相同的处理效果,并将计算效率最高提升到了17倍以上,以此证明GPU在数字图像处理的实际应用中大有潜力。     

Robust Non-Frontal Face Alignment with Edge Based Texture

This paper proposes a new algorithm, called Edge-based Texture Driven Shape Model （E-TDSM）, for nonfrontal face alignment task. First, the texture is defined as the un-warped edge image contained in the shape rectangle; then, a Bayesian network is constructed to describe the relationship between the shape and texture models; finally, ExpectationMaximization （EM） approach is utilized to infer the optimal texture and position parameters from the observed shape and texture information. Compared with the traditional shape localization algorithms, E-TDSM has the following advantages： 1） the un-warped edge-based texture can better predict the shape and is more robust to the illumination and expression variation than the conventional warped gray-level based texture; 2） the presented Bayesian network indicates the logic structure of the face alignment task; and 3） the mutually enhanced shape and texture observations are integrated to infer the optimal parameters of the proposed Bayesian network using face alignment task demonstrate the effectiveness and robustness EM approach. The extensive experiments on non-frontal of the proposed E-TDSM algorithm.     

基于边缘检测的斜纹布匹瑕疵检测

为了对布匹瑕疵进行快速准确的检测,提出了一种基于边缘检测的新算法。利用布匹图像中瑕疵与正常纹理产生的纹理边缘,将布匹瑕疵作为正常纹理的边缘检测出来。利用Sobel算子的方向性,分别对织物疵点在水平和垂直方向进行增强,计算出RGB图像中水平与垂直方向的梯度后进行边缘检测,通过图像融合和二值化完成最终检测。实验证明,该方法准确性高并且检测速率大大提高。     

基于Log_Prewitt算子的边缘检测算法

本文介绍了一种边缘检测算子 ,即 L og_ Prewitt算子 .它不是直接对光强度 ,而是对光强的对数 (光密度 )作Prewitt边缘检测的新方法 .具有检测边界区域与光照强度无关、抗干扰性强、处理速度快、适于在线检测等优点 .     

基于尺度相关性的小波变换边缘检测

图象边缘检测的任务进就是检测和定位图象平面亮度的不连续,但夹杂在图象信号中的噪声,因其奇异性使得边缘检测成为一个既要保留边缘又要去除噪声的病态问题。本文利用多尺度小波变换对图象边缘及噪声的奇异性行了探讨。并根据小波变换的尺度相关性提出了一种新的边缘检测算法,通过试验验证本方法对保留边缘去除噪声有很好的效果。     

基于概率密度梯度的边缘检测

提出了一种新颖的基于概率密度梯度的边缘检测算法.新算法通过估计图像中各像素点的概率密度梯度得到图像的概率密度梯度场,然后根据图像的边缘点在概率密度梯度场中具有两侧梯度方向相反的特性实现边缘检测.与现有的算法相比,新算法检测得到的边缘点具有尺度不变性,并可以直接从图像中检测出具特定尺寸区域的轮廓,完好地保持物体的形状.     

基于边缘信息的图像去马赛克方法

提出了一种去马赛克方法,能够有效提高由低分辨率设备以及噪声干扰得到的马赛克图像的质量。主要基于经典的边缘及滤波算法,利用几何特征及概率思想将马赛克区域定位并去除。方法的实施能够明显提高放大图像的主观质量。进一步的研究工作将通过并行的技术提高运算速度,并重点关注减少系统资源的开销,从而降低方法部署的成本。     

基于Walsh-Haar类变换的图像边缘检测

图像边缘检测是图像处理和计算机视觉中的基本技术。论文提出了一种新的基于Walsh-Haar类变换的图像边缘检测方法。实验表明,该算法具有较好的边缘检测能力,不仅方法简单,而且检测到的边缘多于传统的边缘检测方法。     

一种基于边缘图像融合的图像边缘检测方法

边缘检测是图像处理、模式识别和计算机视觉领域的重要内容．传统边缘检测方法的边缘检测效果一般．为了更好地检测出图像边缘,在传统边缘检测算法分析的基础上,提出了一种基于边缘图像融合的图像边缘检测方法．首先,对原图像进行二进小波分解得到低频子图像,然后分别对原图像和低频子图像采用直方图均衡化进行增强后用Canny算子来进行边缘检测,得到原图像和低频子图像的边缘图像,最后采用一定的融合规则将这两个边缘图像融合在一起,得到一幅完好的边缘图像．实验结果表明,这种边缘检测方法明显优于直接对原图像单独使用Canny算子或基于小波变换的边缘检测方法．     

基于边缘方向性的小波边缘检测算法

现有的基于小波变换的图像边缘提取方法会导致边缘细节的损失且边缘位置会发生偏移,因此本文给出了一种改进的边缘检测方法。该算法先对图像进行平滑处理,然后用小波变换提取边缘。传统的平滑方法避开了边缘的方向性,且对图像的边缘保持效果不佳。本文提出了基于边缘方向性的平滑算法,该算法在处理边缘像素时可自动搜索边缘方向进行平滑,用该算法和小波方法结合进行边缘检测。仿真实验给出的实验结果有力地证明了该方法的有效性。     

基于Facet模型的边缘检测算法

使用CCD的影像测量系统进行精加工零件尺寸检测时,零件轮廓边缘的定位精度和处理速度是优先考虑的2个问题。该文介绍了一种基于Facet模型的综合梯度边缘检测算法,并针对其边缘定位精度低和执行效率低的问题,给出一种提高边缘定位精度的算法和加速计算Facet模型的算法。该改进算法使用动态闽值定位边缘以提高边缘定位精度,同时将Facet模型的二维卷积分解为2个一维卷积核,使算法的复杂度从D（i^2）降低到O（2i）。通过对理想影像和实际工件影像的边缘检测,说明该算法在影像测量中可以有效抑制工件影像的噪声,获得较好的边界特征,且执行效率较高。     

基于多方向的各向异性边缘检测算法

针对传统边缘检测算法抗噪性差的不足,提出了一种多方向的各向异性边缘检测算法。该算法构造了4个具有各向异性的5阶差分模板,对其进行归一化处理后,分别对待检测图像进行卷积处理,根据检测算法在各方向上卷积结果的幅值和方向信息得到灰度边缘图,最后采用最大类间方差法确定阈值进行边缘二值化。多组仿真实验结果表明,该方法能有效实现边缘提取,比传统方法具有更高的检测精度和更强的噪声鲁棒性。     

基于局部能量的边缘检测方法

本文从局部能量的角度提出了一种有效的图像边缘检测方法.在以一个像素点为中心的对称区域中,计算区域内所有像素的灰度值与中心像素的灰度值之间的差值,将差值平方的总和作为中心点所对应的局部能量.该局部能量可以有效地用于检测图像的边缘,因为边缘点的局部能量要比对应光滑区域内的像素点大得多.根据本文所构造的局部能量函数可以有效地找到边缘点.本文使用Baddeley误差度量（BEM）方法来评估本文方法检测结果的准确性.实验结果表明本文方法检测效果比较好.     

基于边缘检测的载带压痕检测

为了检测编带后的烫封质量,提出了一种基于边缘检测的载带压痕检测方法;该算法将边缘检测与链码技术相结合,先通过拉普拉斯高斯边缘检测算法得到初始边缘,然后对提取到的边缘进行链码追踪,根据提出的合并准则对获得的链码进行合并,再利用判据和先验知识对合并后的边缘进行判定,确定压痕位置,通过直线拟合和参数化获得压痕直线方程,通过直线方程计算出压痕尺寸;通过大量的实验,表明该算法能够有效地实现载带压痕的检测问题,并具有较好的鲁棒性.