一种Beamlet变换下的图像边缘检测算法

Beamlet变换是一种多尺度分析的有效工具。对基于Beamlet变换的线特征提取算法进行改进,提出一种表示Beamlet上图像灰度值加权平均的算式,提出在图像子块内沿Beamlet的各个方向搜索边缘,形成一种图像边缘检测的新算法。从检测到的边缘连贯性等方面对该算法的性能进行了评价,将该算法应用于车道线等图像的边缘检测和车道识别。实验结果表明,该算法检测到的边缘连贯性好,算法的错检率和漏检率低,且具有较强的提取线特征的能力;检测到的边缘线段包含位置、方向等信息,便于对车道等目标进行识别;算法的缺点是：抗噪性不够好且计算较为复杂,有待改进。     

基于动态结构元的药柱表面图像边缘检测

以某产品药柱表面图像边缘检测为例,提出了一种基于动态形态学结构元和SUSAN算子相结合的图像边缘检测算法.该算法采用动态形态学结构元得到梯度图像,根据梯度图像利用SUSAN算子进行边缘检测.采用动态形态学结构元得到的梯度图像服从统一分布,有利于边缘提取,克服了采用固定形态学结构元不能适应不同的梯度图像的不足.通过与so.bel和固定形态学结构元的边缘检测算子进行对比实验,实验结果表明,该方法具有较好的边缘提取能力,抗噪性能好,对药柱表面图像处理具有很好的实际应用价值.     

图像边缘检测

图像边缘是图像最基本的特征之一,它包含了图像上目标物体的主要信息。所谓边缘是指一组相连的像素的集合,这些像素周围灰度具有显著变化的部分,即在灰度级上发生急剧变化(灰度突变)的区域。边缘检测是从图像中提取感兴趣对象的边缘信息,同时尽量去除不需要的图像信息,是在图像的局部区域上针对像素点的一种运算,在图像处理中有着重要的作用。边缘作为图像的一种基本特征,包含着有用信息,因此边缘检测通常成为了图像分析和图像理解中特征提取的主要手段,在一些预处理算法中有着重要的作用。随着科技的迅速发展,边缘检测技术也越来越多运用到生产和生活中。因此,对边缘检测的理论与应用研究很有必要。本文叙述了边缘检测的基本步骤,对灰度图像的几种边缘检测算法,作了简单的介绍、评价与分析。     

SAR图像边缘检测方法综述

边缘检测是SAR图像解译的基本问题之一。固有的乘性噪声特性使得经典的梯度边缘检测方法并不适用于SAR图像,因此研究针对SAR图像的边缘检测方法具有重要的意义。本文对SAR图像边缘检测问题进行了系统的研究,简单描述了SAR图像边缘检测问题,讨论了现有的SAR图像边缘检测方法,总结了SAR图像边缘检测中存在的两个问题——边缘细化和边缘定位,对检测结果的性能评估方法也进行了概括。最后在总结现有研究成果的基础上展望了SAR图像边缘检测的发展方向。     

基于Beamlet的图像线特征提取方法

提出一种基于Beamlet变换图像线特征提取方法。用基于方向窗的方向滤波突显图像中不同方向的线特征,通过阈值处理将灰度图像转换为一组二值图像,利用逻辑或运算融合成一幅图像,用Beamlet变换从融合图像中提取图像的线特征和曲线特征。实验结果表明,在信噪比很低的情况下该方法能够得到满意的结果。     

基于Beamlet变换的线特征检测

线特征是图像的重要特征,其检测效果直接影响模式识别和分类。基于调和分析的思想,给出一种带有方向信息的多尺度的Beamlet基,对图像进行Beamlet变换。试验结果表明,该线特征检测方法不仅能提取无噪声图像中的直线和曲线,而且对强噪声图像中的直线和曲线提取效果也很好。     

用边缘检测算子实现图像边缘检测

边缘检测作为一种低层图像处理方法,是各种高级图像处理的基础,它在医疗诊断、指纹识别等方面有着广泛的用途。本文探讨了用边缘检测算子实现边缘检测的方法。     

图像的中介边缘检测方法

以中介真值程度的数值化度量为基础,通过引入距离比率函数度量像素点的灰度以及像素点间灰度的相似程度,并采用双域值和非局部极大值抑制方法,设计了新的图像边缘检测算法。通过仿真实例,与已有的典型算法处理结果比较表明,基于中介真值程度度量的图像边缘检测算法能有效去除噪声,并较好地保持图像边缘细节,因而更具有实用性和有效性。     

一种新的图像边缘检测方法

图像边缘检测的传统方法一般仅基于边缘邻域的一阶或二阶导数,为了克服特征单一的缺陷,提出了一系列多特征的边缘检测算法,这类方法往往采用标准FCM聚类算法来达到边缘检测的目的,但是标准FCM聚类算法在类间数据量相差较大时容易产生错分,因此对图像中边缘点少而非边缘点多的特征数据库进行聚类分析,会产生一定的偏差,使图像的检测质量下降.对此该文提出了一种新的图像边缘检测算法,利用加权FCM算法代替标准FCM对特征矢量数据集进行分类,克服了上述问题,取得了较好的边缘检测效果.仿真实验也证明了新算法的有效性.     

量子衍生图像边缘检测方法

利用量子比特表示图像像素的灰度,用双量子位叠加态来描述两像素之间的关联,通过线性厄米算符在该量子叠加态中的平均值来判断像素的边缘特征,由此建立了一种新的图像边缘检测方法,并从概率论的角度对该方法的合理性给予解释。理论和计算机仿真结果均表明该方法具有视觉补偿功能,能检测出图像中高亮度和低亮度区域的灰度微弱变化引起的边缘效应。     

一种基于边缘轮廓线的LoG角点检测

角点是数字图像中目标的重要局部特征,提供了目标的低层次视觉特性。将Laplace of Gaussian变换引入到平面曲线,提出了一种基于边缘轮廓的LoG角点检测算子。深入分析LoG变换的几何特征,建立了边缘轮廓曲率和LoG范数间的等价度量关系。角点响应函数被定义为边缘点的LoG变换范数,边缘轮廓上LoG范数的局部极值点被认为是角点。并针对?祝-角点模型和圆周曲线模型,验证了这种定义的合理性。实验结果表明,相比经典角点检测算子,该文算法具有高效、稳定的优点。     

彩色图像SUSAN边缘检测方法

传统的彩色图像边缘检测方法主要是基于灰度图像的,先将彩色图像转化为灰度图像,然后用灰度图像边缘检测方法检测边缘。这些方法利用彩色图像的亮度信息进行边缘检测,没有考虑其色度信息。因此部分边缘不能被检测出来。提出了一种基于CIELAB空间的SUSAN彩色图像边缘检测方法。该方法首先将彩色图像从RGB空间转换到CIELAB空间,然后用基于色差的SUSAN算子检测边缘。实验结果表明：此方法能有效地检测出彩色图像的边缘。在保留图像边缘方面,性能优于基于灰度图像的边缘检测方法。     

基于图像特征的边缘检测

针对传统边缘检测算子在检测效果与抗噪方面的不足,提出基于图像特征的边缘检测方法,综合考虑图像的梯度特征、相位特征以及噪声的影响,以方向能量和由直方图差分算子计算的亮度梯度为图像特征进行边缘检测。对提取的特征值进行训练,得到边缘点与非边缘点的特征均值;依据近邻准则对检测图像的特征值分类,提取边缘;建立评价函数评价边缘的质量。仿真结果表明该算法可以取得很好的检测效果,同时具有一定的抗噪声性。     

基于主轴分析和嵌入置信度的彩色边缘检测

边缘提取是获取图像特征的基本方法之一,彩色图像提供了比灰度图像更丰富的信息,彩色图像的边缘检测日益受到人们的重视。分析了目前常见的彩色图像边缘检测算法,提出了一种将主轴分析和嵌入置信度相结合的边缘提取算法,通过实验证明,该方法充分利用了图像的彩色信息,能够有效地保护边缘细节,提高检测精度,具有良好的边缘提取效果和边缘连续性。     

改进的模糊形态学边缘检测算法

提出了一种新的基于模糊形态学的边缘检测算法。算法结合模糊增强方法和模糊形态学边缘检测方法,使用简单隶属度函数将图像映射到模糊特征平面,利用滑动窗口技术进行模糊增强,增大边缘的灰度差,将增强后的模糊图像调整回原始区域,采用多方向模糊形态学进行边缘提取。实验结果表明该算法优于传统的边缘提取算法。     

基于方向导数和B样条小波的图像边缘检测

根据图像边缘及噪声的多尺度传播特性和小波边缘检测的基本原理,提出了一种基于方向导数和三次B样条小波的边缘检测算法。该算法兼顾图像边缘的方向特征和小波基对称、线性相位的特点,较好地解决了边缘提取精度与噪声抑制能力之间的矛盾。通过计算机仿真对该算法进行验证,结果表明该算法不仅能准确地检测出图像边缘,而且能有效地抑制噪声,优于传统的边缘检测算法。     

基于S变换的图像边缘检测算法研究

针对边缘检测中存在的噪声敏感性问题,提出了一种基于S变换的改进型边缘检测算法。S变换是一种时频分析工具,它能够很好地检测信号的奇异性和非正则性,而在图像中,图像灰度的奇异性代表着图像的边缘。通过将S变换后相邻频率的系数进行乘积可以有效地抑制噪声,增强边缘,采用一个阈值计算方法对相乘后的S变换系数进行阈值滤波,整合来自两个正交方向的边缘得到最终的图像边缘。实验结果证实了该算法的有效性。     

改进的Sobel算子彩色图像边缘检测

为了解决传统灰度图像边缘检测中容易出现的边缘定位偏差、边缘丢失以及边缘不连续等问题,结合传统的Sobel梯度边缘检测方法和图像阈值分割技术,提出了一种改进的Sobel算子彩色图像边缘检测方法。通过对比试验结果表明,该方法可以有效地降低色彩边缘的误检率,一定程度上提高了边缘检测器的性能。     

基于图像区域特征的自适应边缘检测

边缘检测技术的关键在于检测前的图像去噪问题。Madenda方法考虑了尖锐、模糊、噪声的影响,但在全图像范围内采用的是统一的噪声抑制参数和模糊控制参数,从而缺乏对不同区域内噪声抑制的针对性。为此,提出基于图像区域特征的自适应边缘检测方法,通过熵和对比度的计算,将原始图像逐级分解,直到达到预先设定的阈值条件。然后根据各个区域的特点,自适应地计算出相应的噪声抑制参数和模糊参数,从而达到对该区域噪声最合理的抑制,以达到最佳的边缘检测效果。实验结果表明,该方法可以有效地抑制噪声的影响,获得高质量的边缘检测图像。