基于Sobel算子的图像边缘检测研究

在图像处理中,提出了一种新的边缘检测算法,该算法首先对由Otsu算法所得图像进行形态学的去除孤立像素和闭运算操作,然后再用Sobel算子进行边缘检测,最后将所得图像与用Sobel算子直接对原始图像进行边缘检测的图像相加。最后用MATLAB对数字图像和红外图像都进行了仿真。仿真结果表明,该算法改善了单一的用Sobel算子检测对垂直与水平方向敏感,其他方向不敏感的不足,提高了Sobel边缘检测算子的性能,具有良好的检测精度。此算法不仅适用于数字图像还适用于红外图像。     

一种新的热红外影像边缘检测方法

针对热红外影像中感兴趣温度区边缘信息模糊、对比度弱、影像存在噪声,传统的边缘检测方法难以实现边缘提取的问题,同时考虑到热红外影像边缘的不确定性,提出了一种将多层次梯形模糊增强、模糊C均值聚类以及与Sobel算子相结合的边缘检测方法。该方法首先对热红外影像进行多层次梯形模糊增强,接着运用模糊C均值聚类方法对影像中感兴趣温度目标区进行聚类,提取出目标物体,最后利用Sobel算子对目标物体进行边缘检测。基于MATLAB进行仿真模拟,实验结果表明,该方法具有较高的检测精度,既能检测出模糊影像的边缘,又能提取出传统算法所不能检测出的细节信息,边缘较细,计算量小,获得了比较理想的检测效果。     

基于Laplace算子和灰色理论的热红外影像边缘检测

由于红外热像仪采集的热红外影像存在大量的噪声、边缘信息模糊难提取,因此,提出了一种基于Laplace算子和灰色关联度相结合的边缘检测方法.该方法首先引进数学形态学对含有噪声的热红外影像进行形态学滤波,然后利用8邻域的Laplace算子作为参考序列,计算参考序列与系统序列之间的关联度得出关联度矩阵,再给定阈值判断是否为边缘点,最后细化影像.基于MATLAB进行仿真实验,结果表明:该算法对具有噪声的热红外影像具有较好的抗噪效果,能检测出传统方法不能提取的边缘细节信息,通过调整阈值可以控制检测的边缘信息量,是一种较好的边缘检测方法.     

基于改进Sobel算子的红外图像边缘提取算法

针对红外热像仪采集的图像边缘信息模糊,图像显示多样性,边缘信息难提取的特点,提出了一种基于Sobel算子梯度相乘的边缘提取算法.该算法首先对红外热像仪图像进行待识别目标的高温区域提取,然后分别利用增加了6个方向模板的Sobel算子和Roberts算子对图像进行边缘提取,再将得到的两幅梯度幅值图像进行梯度相乘,最终得到边缘提取图像.最后,用MATLAB对图像进行了仿真,仿真结果表明,该算法能够快速有效地提取红外热像仪图像的边缘,弥补Sobel算子的不足及提高了Sobel算子边缘检测的性能,计算简单,具有良好的检测精度,而且得到的边缘较细,极大的改善了图像边缘提取的效果.     

基于Sobel算子的改进边缘检测算法

提出了一种基于Sobel算子改进的边缘检测算法。该算法在传统Sobel算子模板基础上增加了45°方向和135°方向两个模板,提高了边缘定位的精度。在计算图像梯度时结合了方向拆分法,将每个方向梯度与两个子方向半个模板对应的像素点之和分别求比值,选择最大者作为该方向的梯度值,然后将四个方向梯度的最大值作为窗口中心点的梯度,最后对梯度图像进行阈值分割和细化,得到边缘图像。实验证明,算法获取的图像边缘与传统Sobel算法相比,具有定位准确、图像边缘较细的优点。     

基于Sobel算子边缘检测和数学形态学的车牌定位算法

随着智能化交通管理系统的飞速发展,对车牌的定位和识别提出了更高的要求,因此提出了一种结合边缘检测和数学形态学的车牌定位算法。采用Sobel算子进行边缘检测,经数学形态学处理得到连通的车牌候选区域,然后对其进行分析,实现车牌区域定位。实验结果表明,该方法能准确实现车牌定位,性能良好。     

基于改进Sobel算子的车牌边缘检测算法

针对车牌识别中车牌的边缘信息在Sobel算子的检测下易受到图像采集环境的影响,阈值难以确定,不具有自适应性且对噪声的敏感度高这一特点,提出了一种采用基于二次搜索寻优的阈值选取策略算法,并得出了一套完整的Sobel对车牌边缘检测的算法.实测结果表明:该方法能够更好的解决Sobel算法中存在的由于阈值不自适应性导致边缘检测出现伪边缘点和粗糙点,增强了检测的实时性和鲁棒性.     

一种Sobel算子的抗噪型边缘检测算法

边缘检测在图像处理过程中占有重要的地位,Sobel算子是在数字图像边缘检测中常用的一种方法。经典Sobel算法简单、速度快,但也存在着边缘定位不精确、提取的边缘较粗、噪声干扰情况下抑制能力差等问题,针对这些问题,提出了一种抗噪声的Sobel边缘检测算法。算法先对图像采用多子窗口进行滤波,去除图像中存在的噪声;然后采用改进的Sobel算法对图像进行边缘检测,算法结合边缘方向计算梯度图像,并对梯度图像在3×3邻域内采用统计信息结合梯度阈值进行了2次边缘细化处理。与经典的Sobel算法及其他文献算法进行了对比试验,结果表明,该算法对噪声具有较强的抑制能力,在去除噪声的同时能够准确地检测出图像的边缘,而且得到的边缘更细,定位更精确。     

一种改进的Sobel自适应边缘检测的FPGA实现

针对经典Sobel边缘检测算法对噪声比较敏感而且需要人为指定阈值等问题,提出了一种Sobel自适应边缘检测方法。首先,对经典Sobel算法改进,增加了检测方向,根据待测像素背景灰度值和人眼视觉特性自适应地生成阈值,从而检测出与人的主观视觉更为一致的图像边缘,然后对边缘图像进行形态学处理,增强了算法的抗噪性。将改进的边缘检测算法在单片FPGA上实现,利用FPGA高速并行处理的优势,系统能够实时采集、检测图像边缘并显示高帧频高分辨率图像。     

一种新的红外热像仪图像边缘检测方法

针对红外热像仪采集的红外影像边缘信息模糊、影像存在噪声、边缘信息难提取的特点,提出了一种基于数学形态学对LOG算子改进和Roberts算子数据相结合的边缘检测新方法。该方法首先引进形态学中的开闭运算对具有随机噪声的红外影像进行滤波,接着运用拉普拉斯算法边缘检测,然后再采用Roberts算子提取边缘信息,建立相应的融合规则及阈值条件,将两种方法检测出的影像边缘信息融合,得到最终的融合影像。最后,对增加椒盐噪声的影像用MATLAB进行仿真实验,结果表明,该方法结合了两种检测算子的优点,定位精度高,有很强的抗噪性,获得了比较理想的检测效果。     

基于Sobel算子的多尺度边缘提取算法

文章分析了sobel算子的小波性质，借助于cascade算法的应用，将小波多尺度分辨特性与sobel算子相结合。利用尺度滤波，提出了在含噪图像中进行多尺度边缘快速提取算法，并通过实验验证了该方法的可行性。     

实时视频信号的Sobel边缘检测的FPGA实现

在实时视频信号处理中,由于边缘检测等图像处理算法的数据量大,系统采用FPGA+DSP的图像处理方案。利用FPGA可对数据并行处理的特点,在FPGA中实现数据量大、处理速度要求高,但算法结构简单的低层处理算法。文中介绍了在FPGA中实现Sobel边缘检测算法的方法,并提出了自适应阈值的处理方案。实验结果证明,FPGA能够对实时视频信号完成Sobel边缘检测,且自适应阈值模块保证了系统在环境亮度变化的情况下,得到良好的边缘检测效果。     

基于形态学的红外图像边缘增强

针对基本的形态学滤波的缺陷提出了一种新的基于形态学的红外图像边缘增强方法, 能有效地增强边缘并平滑噪声,明显地改善视觉效果。     

一种应用Tsallis熵的红外图像边缘检测算法

提出一种基于Jensen-Tsallis熵的红外图像的边缘检测方法,通过分析红外图像的成像特点,利用红外图像的局部的熵信息,计算滑动窗口内图像的Jensen-Tsallis散度-方向对,由Jensen-Tsallis散度确定候选边缘像素,再利用Jensen-Tsallis的方向信息细化并连接边缘像素,实验结果表明,该算法可以有效地检测红外图像边缘.     

红外图像边缘检测算法综述

为填补红外图像边缘检测算法综述性研究的空白,使更多研究者较为全面地了解目前成果,并为后续研究提供有价值的参考,遴选了近十年国内外红外图像边缘检测技术研究的相关文献.首先概述了红外成像与边缘检测技术,进而阐述了红外图像边缘检测技术的难点与挑战,接着总结了主要的红外图像边缘检测算法,将相关算法分为了4类——基于经典边缘检测...     

基于边缘检测的图像锐化算法

图像锐化是一种补偿轮廓、突出边缘信息以使图像更为清晰的处理方法。锐化的目标实质上是要增强原始图像的高频成分。常规的锐化算法对整幅图像进行高频增强,结果呈现明显噪声。为此,在对锐化原理进行深入研究的基础上,提出了先用边缘检测算法检出边缘,然后根据检出的边缘对图像进行高频增强的方法。实验结果表明,该方法有效地解决了图像锐化后的噪声问题。     

基于Canny算子的红外图像边缘检测研究

在红外图像处理中,提出了尺度相乘的Canny边缘检测器,定义了尺度相乘函数,该函数是两个尺度检测滤波器响应的乘积.通过确定尺度相乘后的梯度图像,采用非最大值抑制方法得到边缘图像.实验结果表明,该算子提高了传统Canny检测算子的性能,具有良好的检测精度,在定位和噪声抑制两方面得到了较好的折中.     

一种基于Sobel分解算子的图像边缘检测并行算法

串行Sobel梯度算子边缘检测算法需要将两个掩模S1和S2分别在图像的每个像素上移动．并在每个像素上进行11次加法运算，即需要11xN^2次加法，时间复杂度为O（N^2）；文章提出了一种Sobel算子分解模型。并设计了一种在SIMD—MPP模型上基于Sobel分解算子的并行图像边缘检测算法．该并行算法总共只需要8次平移操作和9次加法运算即可完成，其时间复杂度为O（1），加速比达到N^2，大大地提高了基于Sobel算子的图像边缘特征提取的效率。