一种基于边缘算子的自适应图像缩放算法

本文算法将像素点自适应分为边缘和非边缘区域,对边缘区域的像素点,确定出边缘点的梯度方向和边缘线方向.对边缘线上的点,采用线性插值;对边缘区域梯度方向的点,采用最近邻域插值法;对其他情形的像素点,采用双线性插值.MATLAB仿真环境实验结果表明:该算法提高了边缘及插值方向检测的准确性,与传统的Bilinear、Cubic...     

Log-Gabor梯度方向下的角点检测

目的 角点是图像的基本特征,在图像处理与计算机视觉系统中,经常作为复杂计算的第1步,例如,目标识别、目标跟踪等。因此,角点检测器的检测性能显得尤为重要。基于此,提出了一个既利用到图像边缘轮廓信息又利用到图像灰度信息的基于Log-Gabor梯度方向一致性的角点检测算法,以提高角点检测器的检测性能。方法 根据角点的定义可知,角点在各个方向的灰度变化都很大,并且每个角点的梯度方向与相邻像素的梯度方向都具有很大差别。然而,相邻边缘像素点的梯度方向是一致的,都是垂直于边缘脊的方向。因此,本文利用角点与边缘像素的这一特性,构建了一个新的角点测度。该算法首先利用边缘检测器检测并提取图像的边缘映射;然后利用Log-Gabor虚部滤波器提取边缘像素周围的灰度变化信息,找到边缘像素点的梯度方向,利用梯度方向计算新的角点测度;最后对角点测度进行阈值化处理,得到最终的角点检测结果。结果 提出的算法分别与CPDA（chord-to-point distance accumulation）算法,He & Yung算法,以及Harris算法在标准轮廓图像和仿射变换下进行性能比较。平均重复率与定位误差分别作为评价角点检测器检测稳定性以及定位性能的指标。从平面曲线上的仿真实验结果可以看到,本文提出的角点检测算法能够较好地检测到真实角点,避免对角点的漏检与误检。旋转变换、非统一尺度变换以及高斯噪声下的平均重复率和定位误差结果的平均排名CPDA为2.00, Harris为3.33,He & Yung为2.83,本文算法为1.67。实验结果表明,本文算法的综合性能最优。本文算法优于其他3种角点检测算法,包括检测稳定性能和定位性能。结论 基于边缘的角点检测算法大多只依赖于图像的边缘轮廓信息,没有考虑到图像的灰度变化,而基于灰度的角点检测算法大多只考虑到图像的灰度信息。本文算法既考虑到图像的边缘形状也考虑到图像的灰度变化,并且利用log-Gabor虚部滤波器充分的提取图像的局部信息。在此基础上,利用图像边缘像素的梯度方向一致性构建了新的角点测度,以提高角点检测器的检测性能。实验结果表明,本文算法拥有良好的角点检测稳定性与定位性能。     

Canny算子子像素边缘检测方法

在Canny算子的基础上,通过对梯度模值的内插求得沿边缘点梯度方向上相邻像素的梯度模值,利用这些梯度模值拟合二次曲线求出其极大值得到子像素定位的精确位置.通过推导,证明了梯度模在梯度方向上的极大值点就是边缘的精确位置.该算法在几乎没有增加计算量的前提下将Canny算子边缘检测精度提高到了子像素级.     

小波变换三阈值多尺度融合边缘检测算法

充分利用边缘点和噪声点在梯度方向特征上的差异,提出了边缘点的梯度方向特征的概念。在不同尺度上对图像进行小波变换,得到每个像素点的梯度信息,利用双阈值的非极大值抑制法和边缘点的梯度方向特征提取每一尺度上的边缘点,最后用第三个阈值融合各尺度下的检测结果,得到图像边缘。实验结果证明,该算法与经典的Canny算子和Mallat小波算子相比,在保证边缘定位能力的同时,具有更强的抗噪声性,在强噪声干扰下仍可获得满意的边缘检测效果。     

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.     

模糊支持向量机建筑物边缘特征提取方法研究

为解决边缘点与非边缘点过渡的模糊边缘,提出了一种模糊支持向量机的边缘检测算法。该算法选用图像3 3窗口4个方向的灰度梯度、梯度幅值和梯度方向组成6维特征向量,同时选用径向机核函数对样本特征向量升维到高维空间,在高维空间中构造最优分类超平面。同时,根据归一化后的梯度幅值来确定每个样本的隶属度,最后利用模糊支持向量机实现边缘检测。实验结果表明了模糊支持向量机边缘检测方法的可行性。     

采用拟梯度方向信息的随机Hough变换直线检测

针对随机Hough变换（RHT）中的无效采样和累积问题,以边缘点的梯度方向信息为基础,提出了利用边缘的拟梯度方向代替边缘点作为待测空间的直线检测方法。理论分析和实验表明,与传统RHT相比,本算法具有检测速度更快、精度更好等优点。     

改进的随机Hough变换的头部区域检测算法

介绍了一种基于随机Hough变换(RHT)的圆检测的改进算法。该算法利用梯度方向信息来确定采样的3点是否进行累积,并在获得真实圆之后采取部分删减的策略来更新边缘点集。此方法不仅解决了传统RHT中由于随机采样而造成的大量无效累积问题,并且有效改善了传统RHT方法中与梯度方向Hough变换(GHT)算法相比最优拟合结果丢失的情况。该方法在降噪后的图像上做了实验,最优拟合结果出现概率明显提高,检测性能有了显著的改善。     

第二小方向导数信息熵的兴趣点检测

目的 为了提高兴趣点检测的定位准确性和对噪声的鲁棒性,提出利用图像轮廓线及其邻域内像素点方向导数信息熵检测兴趣点的方法.方法 首先利用多方向Gabor虚部滤波器提取图像灰度变化信息得到第二小方向导数.然后利用Canny边缘检测器提取边缘映射,并填补断裂边缘映射提取边缘轮廓线.最后求解图像边缘轮廓线及其邻域内像素点对应的第二小方向导数所对应的信息熵归一化值并作为新的兴趣点测度.和直接由灰度变化信息及分析边缘轮廓形状或曲率提取兴趣点的方法相比,本文算法结合了两种算法的思想,利用轮廓线上及其邻域内的像素点梯度方向信息熵值作为兴趣点测度.同时不同于同质及边缘区域的梯度方向变化,兴趣点处的梯度方向变化信息呈现各向异性的特性,利用兴趣点第二小方向导数(第一小方向导数可能为零)对应的信息熵值作为新的兴趣点测度可提高算法的定位准确性.结果 通过对检测图像进行仿射变换和加入高斯噪声处理后,分别利用Harris算子、CSS算子、He&Yung算子和本文算法提取图像兴趣点,并比较各算法在仿射变换和高斯噪声情况下检测到的兴趣点的平均重复率和定位误差两个性能指标的平均值.其中本文算法的性能指标平均值为1.625,远高于Harris(3.25)、He&Yung(2.625)和CSS(2.5)三大兴趣点检测算子.结论 通过与典型的3种算法相对比,本文算法具有较好的平均重复率及噪声鲁棒性,尤其是图像在外界干扰的旋转变换和尺度变换下对兴趣点的定位性有着更好的检测性能.     

低维度特征的行人检测方法

针对梯度方向直方图(HOG)算法采用网格密集的大小统一的细胞单元提取行人特征,导致大量高维度的冗余特征问题,提出了低维度特征进行行人检测的算法,建立了以空间金字塔为核心的低维度特征目标模型.该模型通过角点检测算法获取目标轮廓信息,以角点为参考点取16* 16像素区域内的梯度方向直方图作为行人特征,利用空间金字塔模型对图像进行分决,按块提取维数统一的特征向量并串联起来形成最终的特征向量.实验结果表明了该方法的准确性和有效性.     

Digital step edges from zero crossing of second directional derivatives

We use the facet model to accomplish step edge detection. The essence of the facet model is that any analysis made on the basis of the pixel values in some neighborhood has its final authoritative interpretation relative to the underlying gray tone intensity surface of which the neighborhood pixel values are observed noisy samples. With regard to edge detection, we define an edge to occur in a pixel if and only if there is some point in the pixel's area having a negatively sloped zero crossing of the second directional derivative taken in the direction of a nonzero gradient at the pixel's center. Thus, to determine whether or not a pixel should be marked as a step edge pixel, its underlying gray tone intensity surface must be estimated on the basis of the pixels in its neighborhood. For this, we use a functional form consisting of a linear combination of the tensor products of discrete orthogonal polynomials of up to degree three. The appropriate directional derivatives are easily computed from this kind of a function. Upon comparing the performance of this zero crossing of second directional derivative operator with the Prewitt gradient operator and the Marr-Hildreth zero crossing of the Laplacian operator, we find that it is the best performer; next is the Prewitt gradient operator. The Marr-Hildreth zero crossing of the Laplacian operator performs the worst.     

Least Squares and Robust Estimation of Local Image Structure

Linear scale space methodology uses Gaussian probes at scale s to observe the differential structure. In observing the differential image structure through the Gaussian derivative probes at scale s we implicitly construct the Taylor series expansion of the smoothed image. The Gaussian facet model, as a generalization of the classic Haralick facet model, constructs a polynomial approximation of the unsmoothed image. The measured differential structure therefore is closer to the ‘real’ structure than the differential structure measured using Gaussian derivatives.At the points in an image where the differential structure changes abruptly (because of discontinuities in the imaging conditions, e.g. a material change, or a depth discontinuity) both the Gaussian derivatives and the Gaussian facet model diffuse the information from both sides of the discontinuity (smoothing across the edge).Robust estimators that are classically meant to deal with statistical outliers can also be used to deal with these ‘mixed model distributions’. In this paper we introduce the robust estimators of local image structure. Starting with the Gaussian facet model where we replace the quadratic error norm with a robust (Gaussian) error norm leads to a robust Gaussian facet model.We will show examples of using the robust differential structure estimators for luminance and color images, for zero and higher order differential structure. Furthermore we look at a ‘robustified’ structure tensor that forms the basis of robust orientation estimation.First online version published in June, 2005     

基于变差函数和方向小波的噪声图像边缘检测方法

为了检测受噪声污染图像的边缘,提出了一种基于变差函数和方向小波的多尺度边缘检测新方法.首先,在我们前期研究成果的基础上,基于变差函数理论,提出了图像中45度和135度方向边缘的判别准则.然后根据图像中边缘的方向性,选择合适的方向小波旋转参数,再利用方向小波对各个子区域进行不同尺度小波变换.仿真实验表明,对于受高斯白噪声污染的图像,所提出的边缘检测方法无论在边缘定位的准确性还是在去除伪边缘点方面,均优于传统的小波边缘检测方法.     

Two-dimensional multi-pixel anisotropic Gaussian filter for edge-line segment (ELS) detection

In order to further improve the performance of the existing anisotropic Gaussian filters and more fully take advantage of structural information of a boundary, we heuristically develop a new multi-pixel anisotropic Gaussian filter to detect edges or edge-line segments directly from low signal-to-noise ratio images. To significantly increase computational efficiency, the classical isotropic Gaussian filters are first used for quickly estimating an approximate direction along an edge; then our filter is applied to more accurately search edge-line segment direction by a few directional filter masks only near such approximate direction. By comparing the proposed filter with the isotropic Gaussian filters, we analyze two improvement factors associated with the localization and SNR of the proposed filter. Experimental results show that the proposed detector can achieve better performance than several existing edge-detection methods in the sense of noise reduction, good localization, and high edge continuity.     

New Riemannian techniques for directional and tensorial image data

This paper develops new geometrical filtering and edge detection algorithms for processing non-Euclidean image data. We view image data as residing on a Riemannian manifold, and we work with a representation based on the exponential map for this manifold together with the Riemannian weighted mean of image data. We show how the weighted mean can be efficiently computed using Newton's method, which converges faster than the gradient descent method described elsewhere in the literature. Based on geodesic distances and the exponential map, we extend the classical median filter and the Perona-Malik anisotropic diffusion technique to smooth non-Euclidean image data. We then propose an anisotropic Gaussian kernel for image filtering, and we also show how both the median filter and the anisotropic Gaussian filter can be combined to develop a new edge preserving filter, which is effective at removing both Gaussian noise and impulse noise. By using the intrinsic metric of the feature manifold, we also generalise Di Zenzo's structure tensor to non-Euclidean images for edge detection. We demonstrate the applications of our Riemannian filtering and edge detection algorithms both on directional and tensor-valued images.     

基于LOG和Canny算子的边缘检测算法

针对传统Canny算子抑制噪声和检测低强度边缘能力不足的问题,提出一种将LOG算子和Canny算子相结合的边缘检测方法。采用LOG算子对图像进行噪声过滤,从以下3个方面改进Canny算子实现边缘检测：(1)设计高斯滤波核对过滤掉噪声的图像进行边缘增强,使低强度边缘更容易被检测;(2)在M×N邻域中计算梯度幅值和方向;(3)将梯度方向结合梯度幅值计算,使梯度幅值在边缘检测中更具依据性。对增加椒盐噪声的图像进行实验,结果表明,该方法在最大程度抑制噪声的同时,能检测到更多的低强度边缘。     

反投影构造二维旋转不变小波用于边缘检测

通过数值反投影的方法,从一维小波得到二维小波的离散形式。该二维小波具有旋转不变的特点,所以图像在每个方向上的边缘都能得到有效的检测。在非极大值抑制中,同时使用这种二维旋转不变小波与二维Mallat方向小波,阈值的设置更加合理,从而使边缘的定位更加准确。试验表明这种二维旋转不变小波结合Mallat方向小波有更好的检测效果。     

彩色遥感图像的一种边缘检测算法研究

针对彩色遥感图像的复杂性、模糊性和噪声强等特点,提出了一种基于多方向模糊形态学梯度的彩色遥感图像边缘检测算法.算法在模糊域中用多个不同方向的结构元素,对彩色遥感图像进行模糊形态学梯度运算以检测彩色遥感图像边缘,不但能检测出具有方向性的真实边缘,还能有效抑制无方向性的噪声.实验证明,该算法对彩色遥感图像进行边缘检测的有效性.     

基于梯度向量的交互式CT图像分割

首先采用旋转模板对图像进行平滑去噪处理，同时得到各像素点的梯度值方向，然后根据梯度值方向采用Are Weights方法计算各点的梯度值，这些方法的结合可以有效的降低噪声对灰度值计算的影响，得到了较好的梯度值图像。根据改进后的边缘检测方法，对边缘梯度信息进行最优化计算，选择最优的边缘点，最后将这些边缘点进行曲线拟合。实验结果显示该方法能有效地分割出胆囊图像。