一种煤矿井下输煤大块物检测方法

针对现有煤矿井下输煤大块物检测方法存在无法检测大块物数量且检测精度不高的问题,提出了一种基于改进HED神经网络融合Canny算子的煤矿井下输煤大块物检测方法。采用提取反射分量结合边缘保留滤波方法对采集的图像进行预处理,增强图像亮度、对比度,加深图像边缘信息;将预处理的图像代入改进的HED神经网络与Canny算子的融合模型中,得到连续的大块物边缘图像,根据边缘图像做非运算得到二值化填充图像;对二值化填充图像中的大块物进行矩形标注,计算出大块物像素个数与面积;统计大块物数量并判断大块物面积是否高于设定阈值,若高于设定阈值,则报警。实验结果表明,基于改进HED神经网络融合Canny算子的煤矿井下输煤大块物检测方法具有较好的边缘检测效果,能够有效降低图像边缘检测误差,有效统计出大块物数量,并能计算出大块物的面积。     

基于改进Canny算子和神经网络的人体行为识别模型

为了提高了人体行为识别的正确率,提出了一种基于改进Canny算子和神经网络的人体行为识别模型（ICanny-RBF）。采用改进Canny算子对人体行为图像进行预处理,提取人体行为轮廓,提取7个不变矩特征作为RBF神经网络的输入向量,训练出能够识别人体行为的RBF神经网络模型,并采用取k-means算法确定RBF神经网络聚类中心,采用Weizmann数据集进行仿真实验。仿真结果表明,与传统方法相比,提出的ICanny-RBF模型提高了人体行为的识别正确率。     

显微细胞图像的识别方法研究

提出了一种自动识别显微细胞的方案.该方案首先采用二维阈值化和Canny算子分割方法对图像进行分割,并采用遗传算法将所得结果加以融合.分割之后,对每个细胞进行二值化处理,然后利用一种改进的区域增长法求出二值图像中黑色区域和白色区域的三个区域特征.最后用这些特征值训练BP神经网络,并使用训练好的神经网络来识别未知细胞.     

结合Canny算子的图像二值化方法

用Robert、Sobel、Prewitt、Laplacian、LoG和Canny算子,对图像进行了边缘检测实验,分析了边缘检测的结果,得出Canny边缘检测算子,是图像边缘检测的一种十分有效的方法。然后,根据图像的Canny算子边缘信息,将最佳全局阈值法与局部阈值自适应法在边缘信息的基础上融合起来,对图像进行了二值化处理。实验表明此算法在二值化图像时,能很好的保留图像的边缘信息。     

基于边缘算子的车牌图像二值化方法

提出一种基于Canny边缘算子的车牌图像二值化方法。该方法综合考虑了边缘信息和灰度信息,根据与边缘像素点相邻的像素点的灰度值变化特点,得到图像的高、低阈值,综合利用高、低阈值对原灰度图像进行二值化。实验表明,此方法对于车牌图像的二值化处理有令人满意的效果。     

结合Canny算子的图像二值化

对经典的二值化方法Ostu算法和Bernsen算法中存在的缺点进行了分析,提出一种结合Canny算子的图像二值化方法,该方法综合考虑了边缘信息和灰度信息,通过边缘附近种子点在高阈值二值化图像中的填充和低阈值图像对它的修补而得到二值化结果图像,较好地解决了经典二值化方法中存在的抗噪能力差、边缘粗糙、伪影现象等缺点,实验结果证明,该方法能够较好地解决低对比度图像和目标像素灰度不均匀图像的二值化问题。     

基于Canny算子和形态学的洞室岩体裂隙边缘检测

针对Canny边缘检测算法在伪边缘剔除方面的不足,结合洞室岩体裂隙图像成像特点,提出一种Canny算子与形态学相结合的边缘检测方法。先分别对原始图像进行Canny算子边缘检测和图像分割,得到两幅二值图像,然后参考图像裂隙的几何形态特征,对它们进行形态学运算,使最终得到的二值图像保持了较高的裂隙定位精度,并有效剔除了伪裂隙边缘,同时具有边缘闭合、平滑等优点。     

基于改进Canny算法的噪声图像边缘检测

针对传统Canny边缘检测算法对噪声图像的去噪效果不佳,以及双阈值需要预先设定的问题,提出了一种基于改进Canny算法的噪声图像的边缘检测。首先构建自适应高斯滤波器对曲度算子进行改进,得到优化的二值边缘图;然后基于最大类间方差法构建了灰度梯度映射函数,确定最佳的双阈值;最后对二值边缘图进行双阈值检测以及边缘连接。实验结果表明,改进算法与现有Canny算法相比,在不同类型噪声和不同浓度噪声的环境下,改进算法提高了对噪声图像边缘检测的性能,其中PSNR值平均提高了1.9%,MSE值平均降低了1.6%,且具有自适应性强、运行效率高的优点。     

基于视觉的月球车车轮沉陷量测量

提出了一种新的基于视觉的月球车车轮沉陷量的测量方法;算法首先通过分析图像车轮置信区域得到用于图像二值化的上下阈值;然后通过背影与车轮的灰度差异确定二值化图像中的车轮区域。得到区域坐标,依据视觉成像理论将区域坐标规范化,消除由于相机坐标系与车轮坐标系间存在的旋转和平移造成的车轮图像扭曲变形;最后依据车轮规范化坐标计算出车轮沉陷量;仿真结果表明该算法是正确和有效的,并且算法不受光照条件的影响,同时具有较低的计算复杂度。     

基于颜色与形状图像检索的研究

针对图像检索技术中单一的底层特征检索效果差以及图像分割方法的优劣对形状特征提取造成的瓶颈问题,提出了一种颜色与形状相结合的新方法.其思想是采用颜色矩方法提取出九个颜色特征分量;通过Ostu闭值分割法计算出的阈值来确定Canny算子的高门限.从而采用改进后的Canny算子完成图像分割,进而提取出七个Hu不变矩形状特征分量;并利用图像检索的CBIR模型,将颜色特征分量与形状特征分量相结合.实现了一个图像检索系统.实验结果表明,提出的新方法改善了检索效果,而且对直方图具有双峰性的图像检索效果更好.     

基于视觉的SMT印刷钢网尺寸测量方法

为实现SMT钢网尺寸的精确自动测量,提出了一种基于Gerber文件信息的视觉测量方法。首先,采用NED公司的NUCLi 7K线扫描相机采集真实图像,并通过读取Gerber文件提取图形的形状及大小等信息。其次,通过坐标比例、旋转和平移变换建立Gerber文件图形信息坐标系和真实图像坐标系之间的坐标映射以确定图形在真实图像上的大致位置。然后,采用Canny算子和Gray moments算子实现图形边缘的像素级和亚像素级精确定位。最后,根据图形的亚像素边缘通过直线和圆等图元拟合方法实现图形尺寸的精确测量。实验中测量值的最大测量误差为0.0854pixel(0.91μm),均方差最大值为0.0282pixel(0.30μm),表明该测量方法具有稳定、可靠和精度高等特点,能有效满足钢网尺寸自动测量要求。     

学习矢量量化的推广及其典型形式的比较

无监督学习矢量量化(LVQ)是一类基于最小化风险函数的聚类方法,文中通过对无监督LVQ风险函数的研究,提出了无监督LVQ算法的广义形式,在此基础上将当前典型的LVQ算法表示为基于不同尺度函数的LVQ算法,极大地方便了学习矢量量化神经网络的推广与应用。通过对无监督LVQ神经网络的改造,得到了基于无监督聚类算法的有监督LVQ神经网络,并将其应用于说话人辨认,取得了满意的结果并比较了几种典型聚类算法的优劣。     

RBF神经网络的多特征融合目标跟踪算法

本文提出一种基于RBF神经网络的多特征融合目标跟踪算法。RBF神经网络是一种简单且高效的三层神经网络,可以大大提高跟踪效率。首先利用引入空间相关性的三维颜色直方图、Canny算子以及灰度图多个特征来构造RBF神经网络的输入特征向量;然后,采用三角核函数作为RBF神经网络的激活函数;最后,利用所提算法对目标进行跟踪。实验结果表明,所提算法能够对目标进行可靠跟踪,对相机移动、光照变化、目标旋转、形状变形等问题有很好的适应性。     

基于改进DenseNet的刺绣图像分类识别的研究

针对中华传统刺绣工艺传承保护问题中的分类任务,传统的刺绣分类方法存在耗时长、精度低以及需要大量掌握专业知识的人力资源等问题;设计了一种基于改进DenseNet的刺绣图像分类识别方法;构建刺绣图像分类识别数据集;采用局部二值模式LBP、Canny算子边缘提取以及Gabor滤波等方式提取纹理特征,将不同特征图与原图合并为四至六通道图像数据集送入网络进行消融试验,扩充了数据集宽度;为稳定训练过程,加速损失收敛速度,提出引入SPP (spatial pyramid pooling)结构优化模型;为提高分类识别精度使用Leaky ReLU激活函数优化ReLU函数;实验结果表明基于改进DenseNet的刺绣图像分类识别方法可解决传统刺绣图像分类方法中存在的问题,改进后的刺绣图像分类模型与基准模型相比准确率提高了8.1%,高达97.39%。     

基于小波包能量特征及LVQ的目标检测方法研究

基于常规雷达的目标检测方法不能很好地适应冲击雷达目标的检测,提出了一种基于小波包能量特征与LVQ神经网络相结合的新颖目标检测方法;首先利用小波包对目标回波信号进行分解,以得到目标的能量特征量,该特征量能明显区分目标和噪声;然后将能量特征量送入学习向量量化(LVQ)神经网络进行训练与仿真,以实现对超宽带目标信号的检测;仿真结果表明,该方法能获得较高的检测概率,较低的虚警概率.     

基于形态学梯度的图像边缘检测算法

边缘检测是数字图像处理的一个重要内容,讨论了经典的边缘检测算子算法,该算法更多地采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学在图像处理中有广泛的应用,其基本原理是基于利用结构元素去探测图像;在讨论常见数学形态学梯度的基础上,提出了一种基于形态学梯度的图像边缘检测算法,应用定义的形态学梯度结构检测出较理想的图像边缘信息。仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显地优于经典的算子检测算法,在检测精度方面较经典的单一算子检测方法亦有一定的改善。     

基于多尺度形态学梯度的医学图像边缘检测

边缘检测是数字图像处理的一个重要内容,经典的边缘检测算子算法主要采用Prewitt算子、LOG算子、Canny算子等在空域中进行.数学形态学利用结构元素去探测图像,在讨论形态腐蚀和形态膨胀的基础上,提出了一种基于多尺度形态学梯度的医学图像边缘检测算法.单尺度形态学基元随着尺度的增大形成新的更大尺寸的结构元素,从而检测不同的边缘信息,最终重建较理想的图像边缘.仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法,检测精度较经典的单一梯度算子检测方法亦有一定的改善.     

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．