基于小波的大脑图像边界跟踪算法研究

准确提取医学图像中目标的边界在图像处理分析和医疗应用领域具有重要意义。针对大脑图像中纹理复杂,难以区分非正常区域和正常区域边界的问题,本文提出了一种基于小波多尺度分析的边界跟踪方法。该方法首先对原始大脑图像进行小波变换,得到图像的多分辨率表示,然后利用一种改进的轮廓跟踪算法对最低分辨率的图像进行跟踪,最终获得了大脑中非正常区域的边界。实验结果表明该算法可以有效地去除噪声以及脑部正常纹理的干扰,提取出目标特别是非正常区域的边界特征,执行效率高,跟踪准确。     

强光照条件下车道标识线识别与跟踪方法

为了实现强光照条件下车道标识线的准确识别和跟踪,采用基于直方图锥形拉伸算法对原始图像进行处理,以提高图像整体对比度,利用SUSAN算法提取出处理后图像中的边缘,对边缘图像利用定向边界跟踪算法进行滤波,利用Hough变换提取出车道标识线参数完成对道路图像中的车道标识线的识别,最后采用建立梯形感兴趣区域来实现对车道标识线的实时跟踪.试验结果表明该方法具有较强的鲁棒性和较好的实时性.     

基于SUSAN算子与分水岭算法的图像分割方法

针对分水岭图像分割算法中的过分割问题,提出了一种结合SUSAN算子和分水岭算法进行图像分割的方法.该方法首先用SUSAN算子对原始图像进行划分,检测出图像中不包含边界的区域,然后将检测结果作为标记符在梯度图像上进行标记,最后用分水岭算法对带标记的梯度图像进行分割.试验结果表明,该方法具有较好的分割效果.     

基于边界的车道标识线识别和跟踪方法研究

在道路图像中，为了得到较理想的车道的标识边缘，该文采用基于LOG算子边缘增强的方法得到梯度图像，利用SUSAN算子对该梯度图像进行分割，实现了车道标识线边界的提取。在分割后的梯度图像中，利用Hough变换提取出车道标识线参数，完成了对道路图像中的车道标识线的识别，采用建立梯形的感兴趣区域的办法，实现了对车道标识线的实时跟踪。试验结果表明该方法具有较强的鲁棒性和较好的实时性。     

基于图像处理的不规则形体表面积测量方法

为解决不规则形状物体的表面积测量问题,提出了一种基于图像处理的测量方法。对采集到的灰度图像,利用图像分割技术,将目标区域从背景中分割出来,得到目标区域图像;利用边界跟踪得到目标区域的边界点以及各边界点的跟踪方向信息,根据其跟踪方向信息判断各边界点的状态,将边界点的一半以及所有的边界内点累加求和,得到目标区域的面积。经仿真实验证明,该方法可以实现对不规则形体表面积的有效测量。     

基于边界跟踪的区域面积计算

给出了一种基于边界跟踪的区域面积计算.根据图像边界跟踪时下一次和上一次跟踪方向,确定图像的左右边界.利用边界像素的横坐标进行加权求和计算,求得图像区域面积.与现有的面积计算方法相比,该算法只需跟踪边界一遍,即可获得区域面积,且算法不用借助链编码,具有速度快、计算量小、结果准确等优点.     

一种新的肝肿瘤CT图像分割方法

传统的分割方法难以实现医学图像准确地分割,提出了基于最大信息熵原理的医学图像分割方法。该方法集成了阈值分割、边界跟踪和数学形态学,提高了分割的精度和速度。分析和实验结果表明,采用该方法对肝肿瘤CT图像进行分割时,能自动准确地提取出医生感兴趣的区域。     

月球环境感知中的石块识别方法研究

月球环境感知是未来月球车在月球表面自主导航的关键。石块作为月球表面的一种地理特征,将成为月球车行驶的障碍物。该文从获取梯度图像研究出发,提出了基于最小误差分割原理的石块图像分割方法。在获取分割后的二值化图像中,采用了形态学滤波算子进行去噪,然后利用二值图像投影变换,并参考石块底部阴影位置信息,辅助完成对部分场景下的石块识别和定位。     

一种快速提取弹底底火表面缺陷图像方法

针对枪弹弹底图像特点,提出一种新的弹底底火表面缺陷图像分割方法。对去背景弹底灰度图像运用Log算子进行边缘检测,分析了传统边界跟踪算法在提取弹底圆轮廓应用中的不足,改进边界跟踪算法提取弹底圆轮廓,利用最小二乘法圆拟合算法获得弹底圆圆心和半径。通过弹底圆半径与底火圆半径对应关系为弹底灰度图像赋值,提取底火圆图像。利用统计阈值分割底火缺陷,利用数学形态学优化分割结果。实验结果表明,该方法能够有效提取弹底底火表面缺陷。     

一种基于海陆边界跟踪的快速海陆分割方法

海陆分割是进行船舶检测、海岸线提取的基本前提之一。当前海陆分割方法需要对图像进行逐像素处理,因此计算量大。提出一种只需处理海陆边界区域图像的分割方法,用以快速准确地获取海陆边界。首先提取图像4个边缘的基于边缘信息的EBT纹理特征,获取海陆边界种子块。然后从该种子块出发,利用EBT纹理特征进行边界块跟踪,实现快速海陆分割。实验结果表明,所提方法具有较好的分割效果,与目前主流的分割方法比较,时间花费大幅减少。     

一种精确的自适应图像边缘提取方法

针对传统Canny算子需要人为指定参数和阈值等问题,提出一种自适应图像边缘提取方法。该方法使用改进的自适应中值滤波对图像去噪;用8点邻域梯度计算方法自适应计算滤波后图像梯度的幅值;根据图像的梯度信息特征,用梯度的熵和标准差自适应地调整高低阈值。实验结果表明,与传统Canny算子相比,该算法在滤除图像噪声、保留细节边缘和保持边缘连通性方面都获得了不错的效果,提高了边缘检测的自动化程度,更具有实用性。     

基于边缘方向分布和粒子滤波的视频目标跟踪

针对背景复杂的非线性视频运动目标,提出了一种基于边缘方向分布和粒子滤波技术相结合的跟踪方法。该方法利用边缘算子获取目标区域边缘方向图,采用高斯核函数建立目标区域边缘方向分布,结合粒子滤波理论,实现对非线性视频运动目标的有效跟踪。计算机仿真结果表明,该方法可对非线性、非高斯的运动目标进行有效的跟踪,且在跟踪目标区域与背景颜色接近,背景复杂的场景下,与采用灰度特征的方法相比,有较强的鲁棒性和较高的跟踪精度。     

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．     

尺寸测量中的边缘检测算法研究

主要介绍了一种改进的边缘检测算法及相应计算模板和公式，并对算法的误差进行了分析。因为传统的边缘检测算法在理论上较成熟，但在实际应用时可操作性较差。所以针对零件图像测量的实际应用情况，使用基于Sobel算子的改进的方向算子，对灰度图像进行处理得到梯度图像。综合应用其他算法，实现了对目标边缘的准确检测。然后在梯度图像上沿目标边缘的梯度方向进行多项式插值法亚像素细分计算，对目标边缘进行亚像素精确定位。在文章的最后，用实例说明了本算法的可行性。     

DCT域图像边缘的快速提取

压缩域的图像分析处理技术已成为多媒体研究领域的一个热点。文中给出了DCT压缩域图像边缘的快速检测方法。该方法直接利用DCT非零系数计算图像边缘点,不需要完全解压缩,与传统象素域边缘检测方法相比,大大降低了计算复杂度,并且能根据需要提取不同精度的边缘图像。该方法在远程目标识别或基于边缘的Web图像检索等方面将能满足一定的实时性要求,具有较好的实用价值。针对JPEG图像,给出了边缘提取的实验结果,并与传统的象素域边缘检测方法进行了比较。     

基于数学形态学细化算法的图像边缘细化

为了解决Sobel算子在阈值选择不当的情况下易造成图像边缘丢失或产生伪边缘的问题,通过最大类间方差的方式选出合适的阈值;同时利用数学形态学细化算法对该边缘图像进行细化处理。实验结果显示,该方法在保持原有边缘图像特征信息的前提下,比传统Sobel算子得到了更好的结果。     

基于Sobel算子的自适应图像缩放算法

为了提高图像的缩放质量,提出一种自适应图像缩放算法。当原图像像素点处于边缘区域时,沿Sobel算子确定的边缘方向进行自适应插值,当原图像像素点处于非边缘区域时,采用双线性插值法进行插值。实验结果表明,Sobel算子可有效获得图像边缘特性,该算法能通过较低的运算复杂度获得较好的图像缩放质量。     

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。     

基于图像区域特征的自适应边缘检测

边缘检测技术的关键在于检测前的图像去噪问题。Madenda方法考虑了尖锐、模糊、噪声的影响,但在全图像范围内采用的是统一的噪声抑制参数和模糊控制参数,从而缺乏对不同区域内噪声抑制的针对性。为此,提出基于图像区域特征的自适应边缘检测方法,通过熵和对比度的计算,将原始图像逐级分解,直到达到预先设定的阈值条件。然后根据各个区域的特点,自适应地计算出相应的噪声抑制参数和模糊参数,从而达到对该区域噪声最合理的抑制,以达到最佳的边缘检测效果。实验结果表明,该方法可以有效地抑制噪声的影响,获得高质量的边缘检测图像。