基于自治体搜索和区域相关性的图像边沿检测算法

图像分割在图像工程中位于重要位置 ,广泛应用于各个领域。提出了基于自治体搜索和区域相关性的图像边沿检测算法 ,算法中有 4个种类的自治体 ,分别完成 0°、4 5°、90°和 135°方向上相邻区域灰度相关性和其几何特征相关性的比较 ,来判别图像中的边沿点 ,完成边沿检测。利用该算法对样本图像进行处理 ,取得了较好的实验结果。此外 ,将该算法与同类算法 (例如 Prewitt算子、Sobel算子、Canny算子 )进行了比较 ,比较结果说明本文算法在某些方面具有一定的优势。     

基于MMX^TM技术的图象边沿和边沿交点的快速提取

介绍了Ｉｎｔｅｌ最新推出的ＭＭＸ＾ＴＭ技术及其在图象边沿和边沿交点提取快速算法实现中的应用。边沿提取的速度可达３０帧／秒。     

彩色图像边沿色彩补偿检测方法

针对彩色图像边沿提取处理时,不能套用比较简单而成熟的黑白图像处理方法,本文提出的应用ＯＨＴＡＫ－Ｌ变换,将通常的（Ｒ,Ｇ,Ｂ）彩色空间转换为彩色特征（Ｉ２、Ｉ２、Ｉ３）空间,然后在（Ｉ２,Ｉ２,Ｉ３）空间进行灰度边缘分析,并以Ｉ１为主进行色彩边缘补偿,即可得到清晰且细致的边沿轮廓图。与彩色图像直接边沿提取及改变调色板变为黑白灰度图像后进行边沿提取比较,效果令是满意的。     

彩色图像的边沿提取研究

针对彩色图像边沿提取处理时，不能套用比较简单而成熟的黑白图像处理文提出应用０ＨＴＡ－Ｋ－Ｌ变换，将含彩色图像调色板转换为彩色特征坐标，然后分别按三种特征单色化为２５６级黑白灰度Ｘ１，Ｘ２，Ｘ３，并分别进行常规边沿提取，最后将三图叠加，即可得清晰且细胞的边沿轮廓图。     

边沿检测与噪声消除方法研究

应用灰度台阶的概念,对二值图像和灰度图像的噪声与边沿的特征进行分析,给出边沿与噪声的本质特征,并给出区分噪声与边沿的函数关系式,据此公式,可以比较简单地进行边沿检测与噪声消除。     

基于FPGA的实时图像边沿检测系统的实现

边缘检测是图像处理中一个重要的分支,它的实现对于进行更高层次的图像识别和理解等有着重大的影响。系统采用FPGA+SDRAM实现了实时图像的边沿检测。硬件采用流水线与并行处理的方式,提高了图像处理的速率;算法实现结合了硬件语言编程与IP核模块,减小了开发周期,增强了系统的灵活性。实验结果显示,该系统能够有效地实现实时图像的边沿检测,且检测效果较好,能够满足后续图像处理的需求。     

Sobel图像边沿检测算法的优化设计与实现

针对Sobel算子用于图像边沿检测时出现的噪声大、边沿较粗等问题,提出了一种Sobel图像边沿检测的优化设计方案。在传统的Sobel边沿检测模块前增加快速中值滤波模块,提高了系统的抗噪能力。同时在Sobel边沿检测模块后采用非极大值抑制的方式对图像边沿进一步细化,既有效地保留了图像边沿,又提高了图像边沿的清晰度。与传统Sobel检测模块相比,优化后的方案不仅能够有效抑制噪声,而且得到的图像边沿更细,增强了实时图像处理的效果。该优化设计已成功应用于某图像识别系统。     

一种二维边沿检测滤波器

文章提出了一种新型二维边沿检测滤波器,利用二维滤波器模板与任意方向边沿的互相关最大值检测边沿,具有良好的噪声特性及较小的系统误差。     

一种时空结合的边沿检测去隔行算法

在分析了传统边沿自适应去隔行算法的原理及优缺点的基础上,详细地对传统边沿法的低垂直清晰度造成的原因进行了探讨和解释,从理论上对其不足进行弥补改进,提出了一种结合时域滤波、空间滤波和中值滤波的改进的边沿检测去隔行算法。利用待插值点前后场的信息以及当前场的信息对检测出的边沿待插值像素进行双向插值后,再进行中值滤波。软件仿真结果和理论分析说明：改进的算法,引入较多的原始图像信息进行去隔行处理,有效地提高了垂直清晰度,同时保证了边界的锐利,具有良好的视觉效果。     

基于分析的图像有意义区域提取

提出一种基于对图像的分析，根据图像特点采取不同方法进行图像有意义区域粗略提取的新方案。该方案的特点是无监督和自适应，在分析图像聚类孤立性参数和粗糙度参数的基础上，分别采用色度直方图阈值分割、纹理和色度密度函数聚类、亮度和色度密度函数聚类等不同算法。对真实图像进行区域提取和将其用于语义图像检索的实验效果表明该方案可满足实际要求。     

基于融合的显微图像Gabor边缘提取算法

不同参数Gabor滤波器都具有各自的频率选择和方向选择特性,图像中纹理基元可以利用多个方向和中心频率Gabor滤波器组提取出来的频谱值来表示.据此提出一种适应于显微图像的Gabor滤波边缘检测算法.使用特定不同方向Gabor滤波边缘提取算子对图像进行边缘信息提取,获得不同方向上边缘特征信息,对其进行分析和融合提取图像边缘.运用该方法时所获不同方向的图像边缘进行自适应融合,获得的图像边缘较理想,模糊的边缘得到增强,并有效地消除了噪声.实验结果表明,该算法对显微图像处理有效,检测到的边缘清晰.     

遥感图像边缘特征提取与融合方法研究

针对单一传感器的局限性,通过多传感器融合技术,最大限度地获取对目标场景的边缘信息描述。由于光学图像和SAR图像成像机理不同,即便配准精确的图像提取出来的边缘也会出现不重合的情况。首先采用离散域Canny算法提取光学图像边缘特征,用ratio算法提取SAR图像边缘特征,通过不变矩算法对两幅边缘特征图中的边缘进行匹配融合,得到了比单一图像边缘特征图更完整更清晰的边缘特征图,获取了更多的目标场景的信息描述。     

量子衍生图像边缘检测方法

利用量子比特表示图像像素的灰度,用双量子位叠加态来描述两像素之间的关联,通过线性厄米算符在该量子叠加态中的平均值来判断像素的边缘特征,由此建立了一种新的图像边缘检测方法,并从概率论的角度对该方法的合理性给予解释。理论和计算机仿真结果均表明该方法具有视觉补偿功能,能检测出图像中高亮度和低亮度区域的灰度微弱变化引起的边缘效应。     

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。     

基于S变换的图像边缘检测算法研究

针对边缘检测中存在的噪声敏感性问题,提出了一种基于S变换的改进型边缘检测算法。S变换是一种时频分析工具,它能够很好地检测信号的奇异性和非正则性,而在图像中,图像灰度的奇异性代表着图像的边缘。通过将S变换后相邻频率的系数进行乘积可以有效地抑制噪声,增强边缘,采用一个阈值计算方法对相乘后的S变换系数进行阈值滤波,整合来自两个正交方向的边缘得到最终的图像边缘。实验结果证实了该算法的有效性。     

基于改进Canny算子与图像形态学融合的边缘检测方法

传统Canny算法采用高斯滤波会造成图像的过度光滑,容易导致缓变边缘的丢失,而且梯度幅值的计算方法没有充分考虑到3x3邻域内周围像素对中心像素的影响.针对上述存在的问题与不足,结合小波融合技术的优势,提出了一种基于改进Canny算子与图像形态学融合的边缘检测方法,利用改进的Canny算子和图像形态学分别对图像进行边缘检测,然后应用小波融合技术把两种方法检测出来的边缘进行图像融合,得到最终的图像边缘.仿真结果表明,该算法具有较好的抗噪能力,有效地提高了边缘检测的准确性和完整性.     

基于格林函数的边缘检测算法

提出了一种基于格林函数的边缘提取新算法,而且经过详细的数学推导与计算,得到算子的精确解析式。通过实验结果发现该算子计算简单、有效,与其他算子作用效果相比较发现其效果较Canny算法要好。     

基于卷积神经网络的跨层融合边缘检测算法

针对目前边缘检测算法因过于依赖全连接层,使得边缘线条粗糙,且损失函数设定不当,造成梯度消失和大量主要特征信息丢失等问题,提出了基于卷积神经网络的交叉融合边缘检测算法.该算法利用1×1多卷积核的梯度方式来降维,完成横纵向图像低级与高级特征对象的采集;然后通过自上而下和自左向右循环卷积流向方式,保证每层的损失函数可以较平稳地前向和反向传播;最后利用跨层交叉融合对图像边缘特征进行细化.实验结果表明,该算法在伯克利大学数据集(BSDS500)上最优数据集规模(ODS)F-measure为0.806,接近人类平均视觉感知.     

基于边缘检测的双树复小波图像融合算法

提出了一种新的图像融合算法——基于边缘检测的双树复小波图像融合算法。多聚焦图像经过双树复小波变换较好地克服了传统小波变换的平移敏感性等缺点;低频系数利用边缘信息进行融合,较好地保留了图像的细节信息,提高了融合图像的质量;高频系数则采用常见的基于区域特征的融合规则。实验结果证明,该算法能够有效地提高融合图像的清晰度,细节更为丰富。     

基于免疫蚁群融合算法的机械臂目标图像边缘检测*

针对工业机械臂目标自识别所需的高效图像边缘检测要求,提出了一种基于免疫蚁群融合算法的图像边缘检测方法。该方法以信息素为基准,通过注射疫苗进行免疫选择从而优化启发信息,提高后续遍历效率并有效缩短检测时间。避免了蚁群在游历全图时可能产生的局部最优、收敛停滞等问题,从而得到符合机械臂自识别要求的图像处理结果,并能够较好地提高迭代遍历效率,缩短后续处理时间。仿真实验结果表明,该算法能够得到较好的边缘检测结果。