基于误差扩散的图像分存方案

提出一种基于误差扩散的(n,n)阈值图像分存方案。使用该分存方案可以将一幅秘密的二值图像分存成n幅有意义的半色调图像。使用这n张半色调的分存图可以无损恢复出原来的秘密二值图像,而任何少于n幅的分存图都无法得出原秘图的任何信息。实验表明,使用这个分存方案,能够产生出视觉质量较好且有意义的半色调图像,而且当任何一张分存图缺失时,恢复出来的图像都只是噪声图,分存方案的安全性得到保证。     

基于边缘检测的动态误差分散半色调算法

针对数字半色调技术中的传统误差分散方法因误差分散系数固定而导致图像真实细节损失的问题,提出了一种基于边缘检测的动态误差分散算法。该方法沿着每个像素的误差分散方向进行边缘检测,再根据边缘检测结果动态地选择该像素各个方向的误差分散系数,减小了误差分散过程中的误差积累。实验表明,此方法可以明显改善由于误差分散系数固定而引起的图像轮廓细节损失。     

基于边缘增强扩散的AFM图像边缘检测

在原子力显微镜（AFM）图像边缘检测中,针对其噪声干扰以及目标与背景之间差异微小等问题,提出了一种新的解决方法。其基本思路是采用基于图像梯度统计知识选取合理的梯度阈值来构造边缘增强扩散算子,利用该算子对AFM图像进行边缘保留去噪处理后,用Canny算子检测并标记其边缘。实验采用固液界面AFM图像来对上述检测方法进行评价,从实验结果来看,这种方法在边缘检测精度上优于传统的Roberts边缘检测等方法。     

基于HVS模型的误差扩散方法

针对传统误差扩散算法处理过程中图像边缘信息不完整,中色调区域有纹理结构存在的问题,提出一种基于人类视觉系统(HVS)模型的误差扩散半色调方法。该方法先对原图像进行了图像分割,在非边缘区域采用传统误差扩散算法处理,边缘区域采用基于HVS模型的误差扩散系数进行误差扩散处理,最后再在HVS模型的基础上对像素进行矫正。实验结果表明该算法能够有效减少图像细节损失,保留原图像信息。     

基于点扩散和误差扩散的半色调自隐藏算法

将秘密图像隐藏在一幅基于点扩散或误差扩散的半色调图像中,实现基于点扩散和误差扩散的半色调自隐藏算法;以基于点扩散的双向共轭信息隐藏算法为基础实现基于点扩散的灰度半色调自隐藏算法,将该算法扩展到基于误差扩散的灰度半色调图像,提出基于误差扩散的灰度半色调自隐藏算法;以最新的基于点扩散和误差扩散的新共轭数据隐藏算法为基础,提出基于点扩散和误差扩散的彩色半色调自隐藏算法。将四类自隐藏算法进行实验验证,对不同半色调自隐藏算法的性能进行了比较。结果表明在相同参数下,基于误差扩散的彩色半色调自隐藏算法具有最好的性能。     

基于调色板分析及误差扩散抖动的迷彩仿造

仿造迷彩是针对特定的环境背景生成的伪装迷彩。在迷彩纹理设计上,无规则的、点阵式的数码迷彩相对传统迷彩具有更好的迷惑效果。提出一种新的仿造数码迷彩方法,在调色板颜色分类排序及直方图合理分析的基础上提取四种主色,结合抖动半色调方法统计四主色比例,并运用随机像素点集的方式生成迷彩图案。实验证明,该方法生成的迷彩图与参照背景图能自然融合,达到较高的伪装隐蔽效果。     

自适应噪声调制多级误差扩散算法

针对多级半色调技术输出结果存在轮廓效应以及人工结构的问题,提出一种自适应噪声调制多级误差扩散半色调算法.首先利用加权均方误差约束求取噪声调制器的各项系数,并将噪声调制器插入至误差扩散法中的量化过程内;然后通过遗传算法,结合蓝噪声原理获取噪声调制后的最优自适应误差过滤器;最后利用所得的自适应误差过滤器完成量化误差滤波,输出半色调结果图像.实验结果表明,该算法可以有效地减少半色调输出结果中的轮廓效应和人工结构,并且具有较高的信噪比.     

基于多尺度自适应扩散方程的边缘检测方法

针对Canny算法对较高密度椒盐噪声和双阈值选取方面存在的不足,提出一种改进方法,采用多尺度自适应各向异性扩散方程对图像进行平滑,有效去除较高密度脉冲信号的同时又可以更好地保留边缘轮廓信息。在双阈值门限的选取上采用最大类间方差法根据图像的灰度信息自适应地选取,可以更好地满足实时性要求。为验证其性能,在不同噪声浓度情况下进行实验,结果表明,改进的边缘检测算法可以更完整地保留边缘信息,提高边缘检测的准确性,得到较理想的边缘轮廓信息。     

一种呈现清晰纹理的快速误差扩散算法

清晰地呈现图像的细节纹理结构是现代数字半色调技术研究的重要方面.提出一种简单有效、且能保持原图像纹理结构的半色调误差扩散算法.该算法以Ostromoukhov算法为基础,根据图像灰度空间的局部分布特征,通过计算误差扩散像素点的局部视觉纹理反馈信息,对原固定阈值进行调节.实验结果表明,改进后的算法生成的半色调图像再现的纹理结构清晰自然,且具有蓝噪声特性,在PSNR、UIQI和SSIM三项指标评测方面均有较好表现.     

一种基于粗糙集的图像边缘检测方法

粗糙集理论是一种新的处理模糊和不确定性问题的软计算方法.图像边缘是一类灰度变化大的连续点的集合.在无噪声干扰的情况下,这一特性是区别边缘与非边缘的一个重要条件.而实际应用中,图像中难免混有部分噪声点,影响了边缘检测的准确性.本文提出基于粗糙集理论的图像边缘检测方法.根据粗糙集理论中的集合近似关系,首先利用灰度变化大的特点,找出可能边缘点集合,然后利用噪声点区别于边缘点的特性,找到噪声点集合,最后,两个集合的差就是最终要求的边缘点.实验结果表明,该方法相比于传统的检测方法,在检测准确度上得到了一定的改善.     

一种基于边缘检测的错误隐藏算法

视频压缩码流在信道传输时,由于受到信道稳定性的影响,容易发生数据包的损坏或者丢失。为了对抗信道差错,必须采取适当的技术措施。目前,错误隐藏技术已成为易发生差错信道下视频编码的重要组成部分。本文提出了一种新的基于边缘检测的空域错误隐藏方法。实验表明,在具有边缘的区域,该方法能够使图像恢复得较好,其PSNR比传
传统内插方法提高了大约4～5dB。     

一种基于支持向量机的图像边缘检测方法

支持向量机是一种新的机器学习的方法。它以统计学习理论为基础,能够较好地解决小样本的学习问题。由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。支持向量函数回归(SVR)是SVM的一个重要分支,它已经成功地应用于系统识别、非线性系统的预测等方面,并取得了较好的效果。文中通过图像的SVR表示,对SVR图像的边缘检测进行了研究。文中算例说明了该方法在实际应用中的可行性。实验结果表明,该算法能有效提高图像边缘检测效果。同时对其他边缘检测方法有一定的借鉴作用。     

一种离焦模糊图像边缘检测新方法

根据离焦模糊图像的特性,提出一种新的离焦模糊图像边缘检测算法,该算法通过定义一个新的边缘检测算子,利用新算子对图像各像素进行卷积,求得各像素的梯度和方向信息,根据梯度和方向信息进行阈值化处理,得到离焦模糊图像的边缘检测图像。实验结果表明,对于离焦模糊图像,利用新的边缘检测算子进行边缘检测,能够较好地检测被模糊而弱化的边缘,检测效果符合人眼视觉感受。     

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。     

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．     

一种新的亚像素边缘检测误差校正算法

矩方法采用二维理想边缘模型描述亚像素边缘,实际图像在边缘处存在一个渐变的过渡阶段,而二维理想边缘模型不能精确描述边缘,导致原理误差的产生。为此,提出一种采用误差校正表的算法,用于降低二维理想边缘模型引入的原理误差,提高亚像素边缘检测精度。通过方形采样定理模拟生成已知边缘的理想图像,用矩方法检测理想图像的亚像素边缘,构造二维误差校正表。使用查询误差校正表并结合双线性插值求出误差后进行误差校正。以灰度矩和Zernike矩为例进行对比实验,结果表明,该算法亚像素检测精度比校正前提高了一个数量级。校正算法主要计算量是双线性插值,能保持亚像素边缘检测的实时性。     

一种改进的基于蓝噪声的误差分散算法

传统的误差分散算法大大促进了数字半调技术的发展。但由于该算法采用类似扫描仪的处理路线,简单的误差分散核,固定的阈值,并且忽略了关键灰度、点增益、图像色调,很容易出现比较明显的人工纹理。论文提出了一种改进的基于蓝噪声的误差分散算法。该算法采用可变的处理路线,多灰度误差分散核,并且根据图像色调、点增益自动调整量化阈值和关键灰度的误差分散系数,达到了较好的视觉效果。     

多尺度形态学图像边缘检测方法

在深入地探讨数学形态学在边缘检测领域中的应用的基础上,提出了一种形态边缘检测算子,并用该算子提取图像边缘。然后进行形态结构元素尺度调整,综合各尺度下的边缘特征,得到了噪声存在条件下较为理想的图像边缘,实验证明了该算法的可行性和有效性。     

基于PCNN的灰度图像边缘检测方法

脉冲耦合神经网络(PCNN)最初由Eckhorn根据猫大脑中视觉皮层神经元的同步脉冲(SynchronousBurst)现象而提出。由于具有一系列良好的特性,PCNN在图像处理、模式识别等领域获得了广泛的应用。文献[6]根据PCNN的传播特性提出了一种利用PCNN检测二值图像边缘的有效方法,但这种方法并不能直接用于对灰度图像的边缘进行检测。由于实际处理的图像大部分为灰度图像,因而其方法的适用性是很有限的。该文提出了一种基于PCNN的灰度图像边缘检测方法,从而直接对256色灰度图像的边缘进行提取,具有较好的适用性。实验结果表明该方法是有效的。