一种遗传优化和Ostu的图像模糊边缘特征提取方法

边缘检测是图像预处理的重要内容之一,在对Pal和King经典模糊边缘检测算法改进的基础上,提出了一种基于遗传算法和Otsu进行图像阈值选取,以不同阈值为基准确定出线性隶属函数,对多峰图像确定多阈值隶属函数的方法,进行模糊增强,从而提取边缘,实验结果表明该算法不仅提高了边缘提取质量,而且缩短了阈值选取时间,是一种有效性、正确性的图像处理方法。     

适用于医学图像的模糊边缘检测改进算法

边缘检测是医学图像预处理中最重要的内容之一,系统地分析了Pal.King模糊边缘检测算法的不足,提出一种适用于医学图像的新型模糊边缘检测算法。该算法使用遗传算法对传统Otsu算法进行优化来确定阈值参数,对待测图像所对应的模糊特征平面通过基于此阈值定义的隶属函数来提取,并且对图像进行分区模糊增强和平滑处理以达到更好的边缘检测效果。仿真结果表明,针对所要处理的医学图像,与几种经典的处理方法相比,该算法能够提取出更加真实和完整的边界信息。     

基于阈值优化的图像模糊边缘检测算法

边缘检测是图像预处理中最重要的内容之一,本文使用遗传算法对阈值优化得到最佳阈值参数,对模糊边缘检测算法进行改进,根据此最佳阈值来定义一个新的简单隶属度函数,简化了Pal.King算法中复杂的G和G-1运算。不仅使复杂计算简单化,还减少了迭代次数。仿真结果表明:该算法具有较强的检测模糊边缘能力,是一种实用、高效的边缘提取算法,同时此方法很容易扩展到多阈值图像边缘处理。     

基于局部图像锐化的自适应模糊边缘检测算法

为了准确检测出模糊边缘的位置 ,对用小尺度滤波器检测模糊边缘时噪声影响检测效果的原因进行了分析 ,依据这些噪声点在模糊边缘附近的统计分布规律 ,提出了一种用于图像锐化的阈值计算方法 ,算法自适应地计算图像不同区域对应的图像锐化阈值 ,并用这个值来锐化模糊边缘图像 ,实现对模糊边缘的准确提取。实验结果证明该算法能有效去除模糊边界处的干扰点 ,明显改进了小尺度滤波器提取模糊边缘的性能     

图像模糊边缘检测算法的改进

边缘检测是图像处理的重要内容之一,从算法速度和检测效果等方面分析了Pal.King模糊边缘检测算法的缺陷,提出一种新的快速模糊边缘检测算法,利用遗传算法确定模糊增强变换中最佳隶属度阈值,采用简单的隶属函数,提高了算法速度,优化了传统的边缘检测,避免使用单一算子检测边缘强度较弱的缺点,给出了利用该算法的Lena图像边缘检测实验。仿真结果表明,该算法检测边缘能力较强且提取边缘较精细,是一种实用高效的边缘检测算法。     

一种适用于脑部CT图像的模糊边缘检测新算法

边缘检测是医学CT图像处理中最重要的内容之一,系统地分析了Pal.King模糊边缘检测算法的不足,提出一种适用于脑部CT图像的新型模糊边缘检测算法。该算法首先确定模糊增强变换中的最佳阈值参数,对待测图像所对应的模糊特征平面通过基于此阈值定义的隶属函数来提取,并且对图像进行分区模糊增强和平滑处理以达到更好的边缘检测效果。仿真结果表明,针对所要处理的脑部CT图像,与几种经典的处理方法相比,本算法能够提取出更加真实和完整的边缘信息。     

基于模糊和遗传算法的路况图像边缘检测

在路况监测中,常常需要得到路况图像的边缘轮廓线,以便诊断路面的病害情况。为适应这种需求,提出了基于模糊和遗传算法的路况图像边缘检测算法。针对用模糊算法构造相应隶属函数进行图像边缘检测中存在的低灰度图像信息丢失、边缘检测速度较慢等问题,利用遗传和模糊算法的优点构造边缘检测算法。这种方法使得模糊处理后丢失的低灰度信息得以恢复,提高了算法的效率,增强了算法的适应性。算法检测出的图像边缘与传统模糊算法提取的图像边缘相比较,结果更加清晰完整。     

一种离焦模糊图像边缘检测新方法

根据离焦模糊图像的特性,提出一种新的离焦模糊图像边缘检测算法,该算法通过定义一个新的边缘检测算子,利用新算子对图像各像素进行卷积,求得各像素的梯度和方向信息,根据梯度和方向信息进行阈值化处理,得到离焦模糊图像的边缘检测图像。实验结果表明,对于离焦模糊图像,利用新的边缘检测算子进行边缘检测,能够较好地检测被模糊而弱化的边缘,检测效果符合人眼视觉感受。     

边缘检测的混合量子遗传算法

本文基于费用函数最小化方法,提出一种混合量子遗传算法用于图像的边缘检测.量子遗传算法是一种基于量子计算的概念和理论的进化算法,它采用量子编码来表征染色体,能够表示出解的线性叠加态,比传统的遗传算法具有更好的群体多样性和全局寻优能力.我们将这一算法和局部搜索算法相结合,用于图像的边缘检测问题,产生了令人满意的检测效果,并对噪声有较好的抑制作用.     

结构件内部缺陷断层图像的模糊边缘检测

由于结构件内部缺陷形状复杂、随机性大及其断层图像噪声严重并具有一定的模糊性,在研究Pal模糊边缘检测算法的基础上,提出一种改进的模糊边缘检测算法。该算法将最佳阈值引进算法中,并以此改进了Pal算法中的隶属度函数,建立了新的模糊增强变换,最后增加了边缘连接的步骤。该算法具有较强的检测模糊边缘的能力,实验结果表明该算法是一种更实用、更高效的模糊边缘提取算法。     

快速模糊边缘检测算法

边缘检测是图象处理中的一个重要组成部分。通过对Pai.King模糊边缘测算法进行改进,提出了一个快速模糊边缘检测算法。该快速算法不但简化了Pil.King算法中复杂的G和G^-1运算,而且通过实验,确定了Tr变换中最佳的隶属度阈值,并减少了迭代次数。从两组实验结果可以看出,快速算法不但提高了Pai.King算法的效率,而且检测效果也优于pai.King算法。快速算法不但适用于普通图象,而且也适应于遥感图象,并具有很强的检测模糊边缘和细小边缘的能力,这种快速算法的性能优越,是一种实用的、有前途的图象处理算法。     

一种新的模糊边缘检测算法

提出了一种简单有效的模糊边缘检测算法，此算法和常用的基于图像增强技术来进行模糊边缘检测的算法有所不同，它采用缩短模糊边缘的宽度来提取模糊边缘，克服了一些基于增强技术来提取模糊边缘的缺点。最后给出了对红外热像的边缘检测实验，实验表明，此算法是一种简单、实用、有效的边缘检测算法。     

基于RPCA的图像模糊边缘检测算法

针对传统边缘检测方法未能在抗噪性能与边缘检测精度之间取得较好的权衡的问题,利用鲁棒主成分分析模型良好的矩阵恢复能力与图像模糊边缘检测算法较佳的边缘检测性能,提出一种基于RPCA的图像模糊边缘检测算法,将图像的边缘检测问题转化为图像主成分的边缘检测问题。该算法对含噪图像进行RPCA分解,得到对应的稀疏图像和低秩图像,再用一种基于阈值的隶属函数将低秩图像转化至等效的模糊特征平面,并在该特征平面上进行模糊增强运算,最后进行空域转化及边缘提取等操作得到最终的边缘图像。实验结果表明,该算法提高了边缘定位的精度,对不同类型、不同强度的噪声均具有较好的抑制能力,适用于对实时性要求不高的图像处理。     

图象模糊涟缘检测的改进算法

图象在检测技术是图象处理中最重要的内容之一,且已在图象分析和识别领域中得到广泛的应用。针对图象边缘由模糊性引起的不确定性问题,提出了一种图象模糊边缘检测的改进算法,该算法是道德民确定一个阈值参数,然后根据此阈值参数来定义一个新的隶属函数,从而钭图象转化为等效的图象模糊特征平面,通过在模糊特征平面上进行增强运算,将其转换为空域图象,最后再进行边缘提取,同时还对具有多峰直方图分布图象的模糊边缘检测方法进行推广,仿真结果表明,该算法是有效的。     

小波多尺度模糊竞争边缘检测

本文提出了一种小波多尺度模糊竞争边缘检测方法(WFCE)。凭借小波多尺度理论去噪和准确定位的优势,算法有效地利用了多尺度的滤波以及模糊竞争分类法则,较好地保留了图像的细节部分,提高了抗噪性。实验结果表明,与传统的边缘提取算法和模糊竞争算法相比,小波多尺度模糊竞争边缘检测方法(WFCE)能得到更满意的效果,尤其在抗噪性能上的结果是相当的理想。     

基于多粒度粗糙模糊集的图像边缘检测

提出一种基于粗糙模糊集的多粒度边缘检测方法。该方法结合粗糙集处理不确定信息的能力和C-Set多粒度处理的思想,通过定义粗糙运算和运算给出边缘表示模型,引入粒度参数对边界定位精度和噪声抑制进行调节,引入结构相似度参数融合粗糙上近似和下近似,以获得更加精确的边界。该检测方法在定位精度上具有粒度不变性,并具有一定噪声抑制作用,实验结果显示其具有较好的边缘检测效果。     

基于云空间和模糊嫡的边缘检测算法

基于模糊集理论及云理论,提出了对象云的图像模糊边缘检测方法(OCFD).算法充分考虑图像的模糊性和随机性,建立起图像空间与云空间的映射模型,生成模糊对象云和边界云,完成图像空间到云空间的映射.在云空间中实现逻辑云运算的边界云提取,提出并实现了基于边界云的过渡区定义及其提取算法.最后利用最大模糊熵在过渡区内实现检测边缘.实验证明,OCFD算法在检测性能方面优于模糊Sobel,Pal.King等算法,为图像的模糊理解和分析提供了一种新的思路,同时也丰富和拓展了云理论.     

一种基于模糊划分的边缘检测算法

基于信息论中最大熵原理，提出了一种新的基于模糊划分的边缘检测算法，并介绍了模糊概率和用条件概率与条件熵来定义模糊划分熵的概念以及模糊划分的原理。该算法是利用自然划分以及梯度图像模糊划分的关系，在条件概率与模糊划分熵的基础上，通过最大模糊熵原则来实现图像分割中最优阈值的自动提取，以实现图像的边缘检测。通过不同类型测试图像的边缘检测结果比较表明，该算法用于边缘检测能获得很好的效果。     

An Improved Method for Edge Detection and Image Segmentation Using Fuzzy Cellular Automata

Image segmentation is one of the most important and challenging problems in image processing. The main purpose of image segmentation is to partition an image into a set of disjoint regions with uniform attributes. In this study, we propose an improved method for edge detection and image segmentation using fuzzy cellular automata. In the first stage, we introduce a new edge detection method based on fuzzy cellular automata, called the texture histogram, and empirically demonstrate the efficiency of the proposed method and its robustness in denoising images. In the second stage, we propose an edge detection algorithm by considering the mean values of the edges matrix. In this algorithm, we use four fuzzy rules instead of 32 fuzzy rules reported earlier in the literature. In the third and final stage, we use the local edge in the edge detection stage to more accurately accomplish image segmentation. We demonstrate that the proposed method produces better output images in comparison with the separate segmentation and edge detection methods studied in the literature. In addition, we show that the method proposed in this study is more flexible and efficient when noise is added to an image.