基于快速Kirsch与边缘点概率分析的边缘提取

本文运用快速Kihsch算法对图像边缘进行检测,在分析边缘图像中各边缘象素成为真正边缘可能性的基础上实现对图像边缘的细化,以获取准确可靠的边缘。     

基于积分图像的快速模板匹配

人脸检测中,模板匹配前往往需要对图像窗口进行灰度分布标准化,而灰度分布标准化则要先算出图像窗口的灰度均值及方差。在积分图像基础上,提出和应用平方积分图像,实现了一种计算速度与图像窗口大小无关的快速灰度均值和方差算法。应用这种快速算法,结合对灰度分布标准化近似计算公式、相关系数和平均偏差计算公式的变换,以厦灰度分布标准化处理时省略拷贝图像窗口及窗口灰度值变换等不必要的步骤,大大提高了模板匹配速度。人脸检测实验证明这种快速模板匹配算法是有效的。     

基于自适应滑动窗口和Kirsch方向模板的高分辨率SAR图像的降斑算法研究

高分辨率合成孔径雷达(SAR)图像中不可避免出现斑点,干扰了SAR图像的后续处理。因此,降斑是SAR图像处理的重要内容。传统Kirsch方向模板降斑算法没有考虑SAR图像的区域特性。笔者提出了Kirsch方向模板降斑改进算法,能够针对SAR图像自适应调整滑动窗口,并对滑动窗口进行区域分类。降斑实验表明,基于自适应滑动窗口和Kirsch方向模板降斑算法,既能抑制均匀区域的斑点,又能有效保留边缘结构信息,可以获得较理想的降斑效果。     

基于广义掩膜积分图像的快速模板匹配

目标检测中模板匹配常需用掩膜排除待匹配窗口中的一些不相关区域.模板匹配的相关算法计算过程十分耗时,但由于掩膜的区域往往不规则,适用的快速算法较少.提出广义掩膜积分图像,实现了一种有掩膜的快速模板匹配算法.该算法不仅只需遍历待匹配窗口和模板的像素一次,而且在不改变匹配精度的同时简化了计算过程.人脸检测实验证明,该算法能显著提高有掩膜的模板匹配计算效率,特别适于需对目标和模板进行整体与局部多次匹配的应用场合.     

Kirsch联合高低双阈值的多色彩空间图像边缘检测算法

边缘检测是计算机视觉中非常重要且实用的图像处理方法,被应用在各个领域。然而在图像采集或传输过程中,由于外界环境的干扰,容易出现结果边缘检测率较低或者伪边缘现象,学者们为此提出了很多改进方法。但是通用的边缘检测方法确很少,现有的算法都是以处理特定场景或特定情况下的问题为目的。Kirsch联合高低双阈值的RGB图像边缘检测算法正是针对上述问题提出的。首先,提取原图RGB色彩空间下的不同分量图,对每个分量图利用改进的Kirsch算子求取边缘强度;然后利用高低双阈值划分图像的边缘点和背景点,得到不同色彩空间的边缘结果;最后对不同分量的边缘检测结果进行融合,得到最终的边缘结果。利用基准数据集BSDS500数据集中的200张测试图像对算法进行验证评估,实验结果表明,本文算法相比于其他算法检测到的边缘更加清晰,细节更加完整,边缘连贯性更好,检测率更高,适用范围更广。     

量子衍生图像分解和边缘检测

针对数字图像的分解问题,研究了一种基于量子理论的新分解方法,该方法借鉴量子叠加态建立图像像素之间的关联,将一幅数字图像分解为一系列特征子图的叠加。分析了特征子图的意义,并在此基础上给出了一种边缘检测算子的生成规则。利用该规则构造的一种新的图像边缘检测算法被提出,计算机仿真结果验证了该规则的有效性和提出的边缘检测算法的优越性。     

基于小波和快速模糊算法的医学图像边缘检测

在医学图像中,常常需要得到图像的边缘轮廓线,以便诊断病变情况.为适应这种需求,文中提出了基于小波分解和快速模糊算法的医学图像边缘检测方法.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频信号得不到有效利用、边缘检测速度较慢等问题,利用小波分解和快速模糊算法的优点构造边缘检测算法.这种方法使得小波分解后的低频信号中所包含的有用信息得到了利用,简化了算法并提高了算法的效率,增强了算法的适应性.文中算法检测出的图像边缘与经典边缘算子提取的图像边缘相比较,结果更加清晰完整.     

基于插值小波塔式分解算法的图像边缘检测

在应用经典小波检测图像边缘时,通常利用离散积分替代连续积分获取小波系数。由于离散积分仅仅是连续积分的近似表达,因此这种方法在获取图像边缘时很难避免数值计算误差,这使得在检测图像细节部分时容易出现定位不准和边缘不清晰等问题。为了避免上述问题,利用插值小波采样理论中像素值即为插值小波系数的特殊性质,将插值共轭滤波器与Mallat塔式分解算法相结合,给出一种新的图像边缘检测算法。将该算法与经典小波算法进行对比实验,结果表明,该方法能够检测出经典小波算法无法检测到的边缘细节,且最终得到的图像边缘清晰完整,从而验证了该算法的有效性。     

基于图像边缘摘要的快速模板匹配*

基于多边形逼近和形状签名的思想,提取图像边缘摘要,并利用其进行图像模板匹配。首先对原始图像边缘上的大量像素点进行统计,然后将其转换为少量带有权重和方向的锚点,这些锚点即组成了图像边缘摘要。图像边缘摘要具有缩放、旋转、位移不变性,利用其进行模板匹配能够降低噪声的影响并减少计算时间。通过实验验证了该算法的有效性。     

医学图像的快速最优化边缘检测

在医学图像的目标识别和三维显示过程中，边缘检测是十分重要的一环，检测的准确性将直接影响以后续的治疗，虽然现在已有许多边缘提取算法，但这些方法用于医学图像分割时委能同时满足速度快、最优化以及所检测边缘连接甚至封闭等要求，本文提出一种基于动态规划的边缘检测的快速算法，在算法中采用局域窗技术加快搜索速度，由分段搜索自适应地实现快速最优化且连续的目标边缘检测，算法在模型图像及医学图像中实施，取得了满意的效     

基于小波和奇异值分解的图像边缘检测

针对传统图像边缘检测抑制噪声能力弱的问题,给出了一种小波变换和局部梯度 场内奇异值分解相结合的边缘检测方法。首先在图像预处理阶段,为了提取准确的边缘特征, 文中利用小波变换的时频局部化特性,对图像进行小波变换。该文对用小波求取的梯度场使用 局部梯度奇异值分解的方法;利用奇异值的特性和良好的稳定性,使提取的边缘特征更加突出 并且能够达到抑制噪声的目的。实验证明该文方法既能在无噪声影响的图像中提取出清晰完整 的单边缘,又能在有噪声干扰的情况下提取出理想的边缘。     

一种基于边缘图像的快速物体检测方法

为提高物体检测速度,提出一种利用边缘快速检测物体的方法。首先,求取图像中每一个像素的边缘模值和方向,依据模值定位边缘位置,依据位置和方向进行边缘分组;然后,通过计算边缘组的相似度来对候选的包围盒进行投票;最后,统计多尺度滑动窗口上各候选包围盒的投票得分,依据包围盒得分对包围盒进行过滤,再依据包围盒重合度对包围盒进行合并,并依据合并的包围盒数量判断其是否为物体,最终得到图像中各物体的包围盒。实验结果表明,相对于目前最新的物体检测算法相比,该方法的运算效率最高,且检索率和精确度高。     

基于CNN模板的彩色图像边缘检测算法

基于细胞神经网络CNN的图像处理的研究和应用已取得了很大进展。在图像处理中,边缘检测是基本预处理方法之一。为了能够较好地对彩色图像进行边缘检测,结合人类视觉系统HVS的特点,先分别计算两个颜色的亮度距离和色度距离,然后将这两个距离的加权平均值作为最终的颜色距离。本文利用CNN模板对彩色图像边缘提取,并对其进行理论分析和鲁棒性研究,提出一个设计符合相应功能要求的鲁棒性CNN定理,它为设计相应的CNN模板参数提供了解析判据。仿真实验结果表明,该算法可以对不同特性的彩色图像进行有效的边缘提取,具有较好的健壮性。     

图像多阈值特征融合及其在人脸检测中的应用

从原始彩色图像中提取多阈值器官梯度图、双阈值肤色图、梯度方向图和灰度特征图等四种特征图像, 并运用多姿态知识模型和多姿态模板, 实现了一种快速人脸检测算法. 该算法不仅融合了彩色图像的多种特征, 而且利用了同一特征不同阈值下的信息. 实验表明该算法检测精度高, 速度快, 适于复杂背景下的多姿态人脸检测.     

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．     

一种基于积分变换的边缘检测算法

介绍了一种用于图象区域和边缘检测的积分变换。该变换引入了灰度尺度和空间尺度，从而将图象变为表示象素点相互吸引的向量场，将边缘检测问题转化为在向量场中寻找相分离向量的问题。通过分析该变换用于边缘检测而产生的一些问题，给出了使用图象局部信息估计灰度尺度的方法。在对已有方法简化和改进的基础上，提出了一个基于此变换的边缘检测算法。最后给出该方法的识别结果，并与经典的边缘检测算法做了比较。试验结果表明，其边缘检测效果与Canny算法相似，是一种有效的边缘检测方法。     

基于GFS的双线性快速模糊增强图像边界检测新算法

根据广义模糊集(GFS)理论,给出了用于模糊增强图像区域对比度的线性广义模糊算子(LGFO),从而给出了基于GFS的双线性快速模糊增强图像边界检测新算法。首先利用线性左半梯形隶属函数将灰度图像的普通集合变换为GFS,其次利用LGFO对GFS进行区域对比度增强,同时把GFS变换为模糊集合,然后再把模糊集合变换成普通集合,最后在普通集合中进行边界提取。通过大量实例证明,使用该算法提取图像边界速度快、效果好,而且多项指标均超过了献[2]～[5]。     

基于分形维数的图像边缘提取

针对医学领域中的红细胞图像要求测出细胞面积、圆度及个数等特征,提出一种基于分形维数的图像边缘提取方法.以分形布朗随机场模型为依据,计算每个像元的分形维数,将原来的灰度空间映射成分形维数空间,在该空间进行边缘检测.实验结果证明,在选择最佳窗口大小的情况下,该方法能突显医学细胞图像的检测特征,并且具有很强的抗噪声能力.     

基于FPGA硬件实现的图像边缘检测及仿真

图像边缘检测是图像分割,目标提取等数字图像处理领域中关键的步骤,对于性能和处理时间制约着后续图像处理的性能和整体的处理时间。提出一种FPGA的实时图像边缘检测系统。该系统以FPGA为平台,用VHDL硬件描述语言设计并实现了一种自适应的Canny边缘检测算法。在设计过程中,通过改进算法和优化系统结构,在合理利用硬件资源的基础上采用了流水线技术。之后通过ModelSim软件进行仿真,仿真结果表明,在FPGA中实现算法能够有效实时地检测出复杂图像的边缘。