图像信息测度在边缘检测中的应用

介绍了信息测度的计算方法及以邻域一致性测度,并用算例说明用图像信息测度提取边缘的基本方法。结果表明,信息测度技术提取边缘信息时能够充分表征边缘点的特征,而且具有良好的抗噪能力。     

基于信息测度和支持向量机的图像边缘检测

将信息测度和支持向量机结合在一起，提出了一种新的图像边缘检测方法（information measure and support vector machine edge detection method，ISEDM）．首先，基于数学测度概念构造一个描述边缘点信息测度的特征矢量，该矢量由邻域一致性测度、方向性信息测度和梯度分布3个特征分量组成，然后运用支持向量机对特征矢量数据集进行训练和分类，实现了对边缘点的检测．实验结果表明，对于含有加性噪声、乘性噪声等图像的边缘检测，ISEDM能够有效地抑制噪声，较多地保留图像边缘的细节信息，边缘图像锐利而清晰。     

一种并行的SAR图像边缘检测方法

提出了一种并行的SAR图像边缘检测方法,该方法根据SAR图像的特点,对图像中的每一点都计算相应的3个信息测度特征,并组成特征向量对SAR图像进行边缘检测,这样计算量较大,但由于采用并行计算,因此速度较快.实验结果证明该方法能取得较好的边缘检测效果,且速度较快.     

基于CMAC神经网络的低压故障电弧检测

低压供配电线路中的故障电弧由于其电流值小,不足以使传统断路器动作,且电路中存在与故障电弧波形特征相似的负载,使故障电弧成为产生电气火灾的主要原因之一.采用单一判据判断故障电弧,误判率较高.通过搭建实验平台,有效模拟建筑物低压供配电线路中的故障电弧,分析故障电弧特征,提取出表征故障电弧的特征量.使用CMAC神经网络建立模型,将各周期采样点均值的差值和小波高频系数两种判据融合,克服单一判据的不确定性和局限性,所提出的信息融合方法可有效提高辨识故障电弧的准确率.     

基于CUDA的图像边缘检测方法

NVIDIA公司提出的CUDA技术通过并发执行多个线程以实现大规模快速计算的能力。在研究CUDA技术在数字图像处理领域应用的基础上,提出了一种基于NVIDIA CUDA的方法实现图像边缘检测,把CUDA技术的快速计算的能力应用到数字图像处理领域。从CUDA技术的概况的介绍出发,对基于NVIDIA CUDA的图像边缘检测方法以及该方法的详细实现过程进行了形式化的描述,解决了基于CPU的传统图像边缘检测方法运行效率低的问题。实验结果证明CUDA在数字图像处理的实际应用中卓有成效。     

基于DIS边缘检测和自适应边缘生长的图像分割方法

提出一种基于DIS(differenceinstrength)边缘检测和自适应边缘生长的图像分割方法.此方法是边缘检测、边缘生长、区域生长等分割技术的有机结合.通过DIS进行边缘检测,产生了比梯度算子、sobel算子等更完全的边缘信息.为了解决伪边缘及不连续点的问题,提出了自适应的边缘生长方法,较好地解决了该问题,连接了不连续边缘点,产生了边缘点集组成的闭合轮廓.通过进行区域生长,得到了最终的分割结果.实验表明,该分割方法都能获得很清晰可靠的分割效果,提供精确的目标轮廓线.     

基于CMAC网络的异常入侵检测技术

针对入侵检测系统对异常入侵检测的不足,采用CMAC神经网络,将其应用于对异常入侵行为的检测,并给出了基于CMAC的入侵检测模型.由于CMAC网络是一种联想网络,所以它对未知类型的入侵行为有很好的识别能力.同时,它的学习与修正只涉及很少的神经元,所以其速度很快.最后通过试验证明,应用CMAC神经网络的入侵检测系统相对于传统检测技术,在检测率及误判率上都有所提高.     

一种基于模糊梯度算法的图像边缘检测方法

图像的边缘是图像最基本的特征.进行了图像分割、模板匹配和图像识别等方面的研究,无不例外都会使用到图像的边缘.对图像边缘检测方法中的模糊梯度算法进行了探讨,并提出了一种改进方法,得到了较好的检测效果.     

基于HVS函数的图像边缘检测方法

针时传统边缘检测方法(gauss-laplace、kirsch、robert等)的不足，提出了基于HVS(human visual lsystem)函数的边缘检测方法．根据HVS函数的特点，对频域中HVS函数进行反傅立叶变换，将空间域中该函数的部分函数值作为特定的模板参数，并与原图像进行卷积来实现边缘检测．时比性实验结果表明，用该方法检测边缘精确度高，效果很好，尤其丢失的边缘细节信息很少。     

基于小尺度的数学形态学遥感图像边缘检测方法

根据遥感灰度图像的特点,提出了一种基于小尺度的数学形态学的图像边缘检测方法,利用数学形态学在描述灰度图像方面的特点,通过对不同尺度下边缘特征提取的分析,采用非极大值运算方法提取边缘点,并与其他边缘检测法进行了比较,最后给出了遥感图像边缘提取的实验结果。     

基于正则化方法的SAR图像分割及目标边缘检测算法

为了准确地分割图像并获取清晰、连续的边缘特征,在系统分析正则化技术的基础上,提出了一种基于正则化技术的SAR图像分割及目标边缘检测算法。该算法首先利用一种改进的正则化方法对SAR图像进行预处理,然后分析图像的统计特性,利用阈值化技术获取SAR图像的目标区域和阴影区域,最后通过加窗处理技术对分割后的目标区域进行边缘特征提取。并用MSTAR数据进行大量的仿真实验,结果表明,与经典的边缘检测方法相比,该方法在获取良好的分割结果的同时能更精确、更完整地检测出目标的边缘特征。     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

基于同化核分割相同值区域特征融合的边缘检测

针对SUSAN(Smallest univalue segment assimilating nucleus)边缘检测算子在强噪声环境中容易产生虚假边缘的不足,提出了基于同化核分割相同值(Univalue segment assimi-lating nucleus,USAN)区域特征融合的边缘检测方法——FUSAN(Fusion-USAN)算子。该算子在利用USAN区域大小信息提取潜在边缘点的基础上,分别直接和间接利用USAN区域的形状信息计算边缘响应,并采用简单的融合策略融合这两种边缘响应得到最终的边缘响应。与SUSAN算子相比,FUSAN算子综合利用了USAN区域的大小和形状信息。利用合成图像和常用Cameraman图像并加入噪声对FUSAN算子进行评估,实验结果表明:FUSAN算子的检测性能优于SUSAN算子。     

基于可变遗忘因子的改进RPCA方法及其在自适应故障监测中的应用

针对现有监测方法对时变过程易产生误警且对微弱故障的检测能力不足等问题,提出一种基于可变遗忘因子的改进递归主元分析(recursive principal component analysis,RPCA)方法用于自适应故障监测。在主元模型的在线更新中引入一种可变遗忘因子,并为不同的模型参数设置不同的遗忘因子;在相关矩阵的递归分解中引入部分奇异值分解的思想,递归计算负荷矩阵和特征值对角矩阵;提出一种控制限递归更新方法,实现控制限的自适应更新。对某型雷达发射机工作过程的监测结果表明,改进的RPCA方法能自适应地跟踪过程的时变,有效地减少了对正常工况调整的误警和对微弱故障的漏报。     

基于稀疏表示的间歇故障检测方法及仿真

基于间歇故障在某些域的稀疏性,提出一种基于稀疏表示的间歇故障检测方法。利用系统输出数据构造系统的过完备字典,设计间歇故障检测阈值,并对过完备字典和故障检测阈值进行在线更新。此方法适合动态系统的间歇故障检测,并通过仿真结果进行验证,并比较在不同更新策略下的仿真结果。     

基于方向空间的边缘检测

提出了一种基于方向空间的边缘检测方法．首先建立方向差分级空间,沿方向差分级函数方向,通过逻辑判断的方法分别提取方向Ridge边缘像素和方向Valley边缘象素,构成方向Roof边缘映射图;然后再沿方向差分级函数方向,在所有相邻的方向Ridge边缘和方向Valley边缘之间提取方向Step边缘,构成方向Step边缘映射图;最后将几个不同方向获取的方向：Ridge边缘映射图、方向Valley边缘映射图和方向Step边缘映射图,分别通过逻辑“或”的方法合成为相应的Ridge边缘映射图、Valley边缘映射图和Step边缘映射图．将该算法与经典算法、Marr—Hildreth算法和Canny算法进行的比较实验结果表明,提出的算法除了不需要复杂运算之外,在边缘定位准确度方面具有优势。     

一种新的基于多信息测度融合的边缘检测方法

针对高强度噪声图像, 提出了一种新的基于信息测度概念和Dempster Shafer(DS)证据理论的边缘检测算法. 利用邻域一致性、方向性和结构性3种信息测度定量描述边缘特征; 引入检测不确定性, 根据各信息测度响应分布设计基本可信度分配函数, 并利用DS合成规则加以融合; 融合后根据组合决策规则将像素分类成边缘与非边缘. 实验通过检测结果以及Pratt品质因数的分析比较, 表明该算法能够有效地区分边缘点和噪声点. 在低噪声情况下, 检测性能与传统检测方法相近; 而对于高强度噪声图像, 该方法具有较强的噪声免疫力.     

基于粗糙集的故障诊断方法

利用粗糙集理论对决策表进行约简以自动获取过程工业生产系统中的故障知识，从信息熵的角度分析系统知识不确定性的变化，提出了一种基于粗糙集理论的故障诊断新方法，研究了粗糙集理论在故障诊断中的适用性，在前向推理和反向推理的基础上，给出了针对故障点建立决策表以及利用粗糙集约简所获得的诊断规则进行正、反向故障诊断的步骤，讨论了这种故障诊断方法的诊断性能及其在计算上的复杂度。通过这种方法能够进行故障的寻找和定位，实例分析的结果说明了利用粗糙集进行知识发现及建立智能故障诊断系统的可行件和有效件。     

基于BP神经网络的变压器故障诊断及其应用

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究一种基于BP神经网络算法的变压器故障诊断方法．通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明本算法的有效性．     

疫苗算法及其在车辆故障检测中的应用

根据免疫学原理提出了一种适合于故障诊断的算法--疫苗算法.当出现未知抗原时提取系统内记忆的此类抗原特征并对其进行分析，再将此人工抗原输入到系统中刺激系统并产生相应的抗体，当此抗原再次出现时作出免疫应答.论述了抗体和抗原结构的数学模型以及抗体数据的产生机理.运用此算法开发了具有边检测边学习功能的检测系统，能够充分捕捉反映被测车辆状态的信号特征.将此算法应用于汽车驱动桥的故障检测中，准确率达到95％.工程应用表明，此算法在小样本获取、连续学习、数据压缩等方面具有明显的优越性和有效性.