基于分数阶微分和Sobel算子的边缘检测新模型

现有的边缘检测算法对噪声敏感,检测到的图像边缘效果不够理想,得到的图像边缘有可能模糊不清。为了克服这些不足,以分数阶微分理论为基础,结合Sobel算子边缘检测方法,提出了一种基于分数阶微分和Sobel算子的边缘检测新模型。理论研究和实验结果表明,与现有方法相比较,该模型不仅能较好地提取图像边缘特征,而且对噪声具有一定的抑制作用;特别地,对于纹理细节较丰富的图像而言,该模型能够检测出更多的纹理细节信息,优于常用的整数阶微分方法,是一种有效的边缘检测方法。     

整数阶滤波的分数阶Sobel算子的边缘检测算法

针对传统的整数阶微分图像边缘检测算子存在的边缘模糊不清、受噪声影响大等问题,该算法从改进传统的整数阶微分Sobel算子入手,以分数阶微分理论为基础推导出了分数阶微分Sobel算子,结合Sobel算子边缘检测方法,将整数阶微分Sobel算子作为滤波器与分数阶微分Sobel算子作卷积运算,改进了整数阶微分Sobel算子。整数阶微分滤波后的分数阶微分Sobel算子成功地解决了传统的边缘检测算子存在的准确性低、抗噪性差等问题。理论研究与实验结果表明,该边缘检测算子对图像的边缘细节特征刻画得更精细,抗噪性更强,优于常用的整数阶微分边缘检测算子,边缘检测效果很好。     

结合分数阶微分和Canny算子的边缘检测

目的 传统的边缘检测算法对于具有分形结构等复杂纹理的图像和弱边缘图像检测精度较低。方法 针对该问题,将Grünwald-Letnikov（G-L）分数阶微分引入到Canny算子中,设计了一种新的基于G-L定义的分数阶微分掩模,在分数阶阶次的选取上更灵活（阶次可取正数和负数）,分析了分数阶微分掩模中的参数与边缘检测精度之间的关系,并引用了3种评价指标来评定算法的性能。结果 将G-L分数阶梯度代替Canny中传统的梯度算子,不但可以增强图像的细节信息,而且可以增强灰度均匀和弱纹理区域的梯度信息,从而提高了边缘检测的精度和稳定性;设计了一种新的基于G-L定义的分数阶微分掩模,该掩模在分数阶阶次的选取上更灵活,具有差分方向可调性,其应用范围更广;并通过实验给出了边缘检测精度与模板参数之间的关系,从而为最佳模板参数的选取提供了依据。用综合图像和真实图像进行了实验,并与传统的5种边缘检测算子和3种基于分数阶微分的边缘检测算法进行比较,从检测精度,检测效率和抗噪性能3方面验证本文算法性能,大量的实验结果表明,本文算法在检测精度,检测效率和抗躁性能方面都有较大的提升。结论 理论分析和实验结果均表明,该算法可用于检测图像中的纹理细节和弱边缘,且检测精度和稳定性都有明显的提高,本文算法是Canny算法应用的一个重要延伸。     

用分数阶微分提取图像边缘

文章是分数阶微分在图像处理中的尝试性应用。首先通过理论上分析得出分数阶微分可以大幅提升信号高频成分,增强信号的中频成分,非线性保留信号的甚低频。据此分析得出分数阶微分应用于图像边缘信息提取将获得高于传统基于一、二阶微分的方法的信噪比。然后由经典的分数阶微分定义出发,推导出了分数阶差分方程,构建了近似的分数阶Tiansi微分模板。最后通过图像边缘提取的实验表明：基于分数阶微分算子不仅可以有效提取图像边缘,而且比整数阶微分算子具有更高的信噪比。为拓展分数阶微分的应用领域,进行了有意义的探索。     

一种新的分数阶微分的图像边缘检测算子

为了提取出更加精确和细微的边缘信息,同时为了具有更好的抗噪性能,提出了一种新的分数阶微分梯度算子。根据Riemann-Liouville分数阶微积分定义,推导出了非整数步长的分数阶微分方程,并采用拉格朗日插值方法确定非整数步长像素点的灰度值,进而构造出八个方向的微分掩模,实现了图像边缘检测。实验表明,该方法更好地利用了图像的自相关性,比传统的边缘检测算子能更好地提取图像边缘细节,且对噪声具有更好的鲁棒性。     

几种经典的图像边缘检测算子分析比较

图像是人类相互交流和认识客观世界的主要媒体,它的大部分信息都存在于图像的边缘中,图像边缘检测在实际中有着重要的应用。本文首先对几种经典的边缘检测算子如Roberts算子、Prewitt算子、Sobel算子、LOG算子及Canny算子等进行理论分析,然后通过Matlab 2010进行算法仿真,分析比较了他们各自的优缺点,这对具体工程应用具有很大的参考意义。     

基于R-L分数阶微分梯度算子的边沿检测

在处理数字图像中处理中,为了提取更加细微的边缘信息,克服经典梯度算法的不足,根据R-L分数阶微积分的定义和边缘检测的基本原理,推导出一维离散分数阶微分梯度算子,并且推广到二维,提出了一种基于R-L分数阶微分的新算子模板,并在实验中得以实现.实验结果表明,这种算子更能提取细节信息,使得边缘更加突出,与经典1阶和2阶的边缘检测算子相比,在处理以低频信号为主的图像时有一定的效果提升,而在处理以高频信号为主的图像时有较大的效果提升.     

基于分数阶微分的图像边缘检测算法

针对传统边缘检测算法对于图像边缘提取存在边缘缺失、不连续等问题,为提高边缘的完整性与连续性,提出一种基于分数阶微分的边缘检测算法.由G-L定义构造分数阶微分掩模算子,使用不同阶次的算子对高、低频图像分别进行边缘提取,然后将两部分边缘进行融合,最终得到连续完整的图像边缘.实验结果表明,该算法不仅提高了边缘信息的完整性,还...     

利用1~2阶分数阶微分掩模的边缘检测

现有的分数阶微分边缘检测算子大都是基于0~1阶分数阶微分而构造,鲜有文献讨论基于1~2阶分数阶微分的边缘检测算子。为此,分析了1~2阶分数阶微分对信号的作用,基于1~2阶分数阶微分构造了一种新的边缘检测掩模算子。实验结果表明,该算子不仅优于常用整数阶微分算子,而且比现有的一些0~1阶分数阶微分算子具有更好的边缘检测效果。     

非整数步长的分数阶微分Sobel算子的应用

针对现有的分数阶边缘提取算子对于具有大量的平滑区域图像和丰富纹理图像的边缘检测精度较低的情况,对Gruwald-Letnikov（G-L）分数阶微分整数步长和传统的Sobel算子进行了相关的改进,并利用高斯加权的拉格朗日插值方法确定非整数点的灰度值,构造了一个新的分数阶微分掩模模板。理论研究与实验分析表明：该模型可用于检测含有丰富的纹理细节与大量的平滑区域的图像,且检测精度与清晰程度都有显著的提高。     

乳腺肿瘤超声图像的边缘检测

乳腺癌是妇女最常见的恶性肿瘤之一。超声诊断由于价格便宜、操作方便、无伤害性等显著优点,成为检测乳腺癌的常见方式。其治疗主要取决于肿瘤的早期发现、早期诊断。而对肿瘤的边缘提取则是对肿瘤良恶性进行判断的前提。针对乳腺肿瘤超声图像自身的一些缺点如图像对比度低、斑点噪声大、部分边缘缺失、肿瘤内部细微结构分布复杂,特别恶性肿瘤还具有复杂形状等难点,提出一种先利用分数阶微分增强图像的信噪比,再结合区域增长提取肿瘤边缘的方法。     

用于图象边缘检测的拉普拉斯-多项式算子

将用于求解二阶导数的▽~2算子与多项式局部曲面拟合相结合,构造了用于边缘检测的拉普拉斯-多项式(Laplacian of Polynomial:▽~2P)算子。图象物体边缘定义为▽~2P 与图象卷积的过零点。证明了:采用正交多项式作为拟合基函数时,可用卷积方法实现局部曲面拟合,使得计算效率大大提高。     

基于自适应提升方案的图像边缘检测

图像边缘是由于灰度的不连续所致,是图像信息的一个最基本特征,也是图像处理中探讨的热点问题之一.分析传统的图像边缘检测算法及其存在的问题.通过采用自适应提升小波分析,根据处理图像信息的局部特征自适应地调整预测滤波器和更新滤波器,从而实现与处理信息的准确匹配;同时,改进了小波边缘检测算子,实现了一种适用于自适应提升小波分析的图像边缘检测的算法,并将此算法应用于医学图像的边缘检测.仿真结果表明,该算法比传统的图像边缘检测算法效果更优.     

基于Shearlet变换的图像边缘检测

现存的基于空间域或小波变换域的图像边缘检测算法只能有效检测出有限方向的边缘,不能很好地检测较为复杂的边缘。Shearlet变换能够对图像进行任意层次和任意方向的分解,可以捕捉更多复杂的边缘。利用这些特点,提出一种新的基于Shearlet变换和改进canny算子的边缘检测算法。算法对canny算子进行改进,提出自适应阈值确定方法;根据Shearlet变换的多尺度和多方向特性,提出融合多个方向子图边缘信息的算法。实验证明,该算法不仅提高了边缘检测的完整性和精确性,还可以有效抑制噪声。     

基于矩的三维图象边界检测

本文提出了一种基于矩的三维边界检测方法。在三维图象中取球形窗口，用旋转曲面拟合边界曲面，通过计算图象的零至二阶矩，从而获得边界的形状、位置、强度和方向等参数。对于非均匀的三维医学图象，得出了一组通用的，隐含线性插值过程的矩计算模板。可以直接从三维非均匀数据计算各阶矩，方法简便且计算量大为减少。     

基于自适应形态学的医学图像边缘检测

针对人体医学图像组织结构复杂、模糊、噪声大的特点,提出一种新的多尺度结构元的自适应边缘检测算法,给出新算法中计算各结构元权值的方法,并将其与传统的算法进行比较。实验结果表明,新方法能克服传统边缘检测算法抗干扰能力小的缺点,较好地实现了噪声图像的弱边缘检测。具有检测灵活性强,获得边缘信息平滑、丰富的特点,而且,算法编程实现容易。     

基于支持向量机的彩色图像边缘检测

提出了一种新的基于支持向量机的彩色图像边缘检测算法.将彩色图像像素3×3邻域内像素的RGB值表示为一个27维的向量,作为该像素的特征,利用支持向量机直接判断其是否为边缘点.针对实际图像的边缘检测实验表明,支持向量机可以有效地进行彩色图像的边缘检测,其检测效果可以和传统的Sobel等边缘检测算子相当.     

一种改进的CHNN图像边缘检测方法研究

针对文献[1]中提出的CHNN图像边缘检测算法缺乏足够的参数来调节边缘检测的灵敏度以及检测结果图像边缘过宽的缺陷,提出一种改进的CHNN方法,称之为Weighted CHNN(加权的CHNN,简称WCHNN)方法.该方法在CHNN神经网络元的n个连接上施加权值,可以通过各种局部搜索、优化算法,使用指定的样本输入、样本输出等方法来训练该WCHNN网络从而确定各权值,使得WCHNN在保留了CHNN的优点的同时,还可以根据不同的样本输入输出图像来调节边缘检测的灵敏度,从而提高检测结果质量并避免检测结果中出现边缘过宽的情况.实验结果表明,训练后的WCHNN网络,比起CHNN有着更低的边缘检测错误率,并可检出原来CHNN方法漏检的边缘.     

基于多层小波阈值函数的彩色图像边缘检测

针对彩色图像边缘检测中RGB颜色空间分量之间高的关联性会导致部分色彩信息未能被有效识别、检测及抗噪性低,提出一种多层小波阈值去噪函数的彩色图像边缘检测方法。采用改进的小波阈值去噪方法对彩色图像进行去噪预处理;运用四元数思想构建四方向特征矩阵求解Canny算子梯度幅值和幅角;进行非极大值抑制和自适应双阈值处理得到最终边缘检测图像。实验表明,该算法能够较好地获取彩色图像边缘信息,并有效降低漏检率和错检率,增强了自适应性,提高了边缘检测中边缘的连续性和抗噪性。     

基于Cauchy-Riemann方程的图像边缘检测方法

针对边缘检测问题,提出一种基于复变函数的有限差分法,利用解析信号来进行边缘检测;通过求解Cauchy-Riemann方程,构造原图的共轭图像,并得到边缘检测图。对共轭图像进行预处理与细化处理后,获得更好的边缘检测效果。数字图像实验表明,该方法实用性强,且因为连接性较差而使得复杂的背景轮廓不会干扰到主对象的识别。这一优势表明,该方法是一个值得深入的研究方向。