基于统计估计的图像边缘检测

针对传统的基于微分边缘检测算法的噪声鲁棒性较差这一问题,分析了图像边缘形成机理,依据统计估计评价准则,提出一种基于统计估计的边缘检测算法.该算法将像素点的圆形邻域沿θ方向分割成2个半圆,分别计算出2个半圆内像素样本的均值和方差,分析2个半圆内样本统计估计的有效性,进而排除噪声和纹理对边缘检测的影响.根据边缘两侧像素样本的统计估计偏度呈屋脊形分布的特点,对边缘进行细化和连接,以无噪声Canny算子检测得到的边缘作为先验知识,运用条件概率建立边缘检测评价函数.实验结果表明,基于统计估计的图像边缘检测方法具有较好的检测精度和噪声鲁棒性.     

基于方向空间的边缘检测

提出了一种基于方向空间的边缘检测方法．首先建立方向差分级空间,沿方向差分级函数方向,通过逻辑判断的方法分别提取方向Ridge边缘像素和方向Valley边缘象素,构成方向Roof边缘映射图;然后再沿方向差分级函数方向,在所有相邻的方向Ridge边缘和方向Valley边缘之间提取方向Step边缘,构成方向Step边缘映射图;最后将几个不同方向获取的方向：Ridge边缘映射图、方向Valley边缘映射图和方向Step边缘映射图,分别通过逻辑“或”的方法合成为相应的Ridge边缘映射图、Valley边缘映射图和Step边缘映射图．将该算法与经典算法、Marr—Hildreth算法和Canny算法进行的比较实验结果表明,提出的算法除了不需要复杂运算之外,在边缘定位准确度方面具有优势。     

基于方向信息的多尺度边缘检测方法

对噪声图像进行不同方向的滤波，根据方向滤波的信息，定义了方向信息测度作为判定噪声点与边缘点的度量．使用了二次Ｂ样条小波进行边缘检测，根据方向信息测度调整边缘检测中的滤波尺度，实现了多尺度边缘检测的自适应尺度调整．最后给出了实验比较结果，表明该方法对于方向特征明显的一类图像是比较有效的     

基于梯度的自适应边缘检测算法研究

对常见的边缘检测算法进行改进,基于梯度提出了一种应用于灰度图像的自适应阈值边缘检测算法.根据边界点像素灰度值的差异,分析模版中的9个像素,计算出像素的梯度幅度和梯度方向;按梯度值的不同将图像分割成若干个区域,计算每个区域的灰度平均值,确定阈值,实现边缘检测.实验表明,该方法检测出的边缘更细、更准确,可以除去虚假的边缘,是一种有效的对灰度图像进行边缘检测的方法.     

一种改进的形态学边缘检测算法

为提取出更丰富流畅、定位更准确的边缘信息,基于多尺度多方向结构元素,引入信息熵加权系数,改进了形态学边缘检测算法.首先,为去除图像噪声,选定2种不同尺度的结构元素进行形态学开闭运算;然后,利用4种不同方向的结构元素进行形态学边缘检测,可以获得4幅不同方向结构元素下的边缘图像;再根据每幅边缘图像的信息熵来确定权值,并将这...     

一种基于方向形态学的图像轮廓提取方法

提出了一种基于方向形态学的图像轮廓提取新方法，该方法首先通过形态学梯度边缘检测算子实现图像的边缘检测，处理的过程中考虑到了边缘的方向信息，从而能够更好地跟踪图像中主要的边缘，最后通过滚动膨胀正确的提取物体的轮廓信息，在结构元素移动的过程中引入了方向控制条件因子，减小了计算的冗余度，实验结果表明该方法能够实现自动边缘检测与轮廓提取，精度较高。     

一种基于方向形态学的图像轮廓提取方法

提出了一种基于方向形态学的图像轮廓提取新方法.该方法首先通过形态学梯度边缘检测算子实现图像的边缘检测,处理的过程中考虑到了边缘的方向信息,从而能够更好地跟踪图像中主要的边缘.最后通过滚动膨胀正确的提取物体的轮廓信息,在结构元素移动的过程中引入了方向控制条件因子,减小了计算的冗余度.实验结果表明该方法能够实现自动边缘检测与轮廓提取,精度较高.     

一种基于方形函数的邻域灰度差值边缘提取方法

根据数字图像处理中现有边缘检测算子,对连续边缘的检测及抵抗噪声的能力问题,提出一种基于方形函数的测算法。首先将目标图像划分成方形的采样网格;然后确定检测的起始点位置,利用图像边缘处内外灰度差值最大原理判定该方形区域边缘所在的切线位置;最后通过多个区域的并集取得图形边缘。实验证明通过该算法可以提取出较为完整的边缘,抗噪能力也优于以往的边缘检测方法。     

基于提升方案的小波边缘检测算法研究

通过构建一种提升小波来提取图像的边缘,根据小波的提升框架理论提出了一种基于线性提升小波的边缘检测。该方法首先构建一组小波预测函数,并推导了一个提升小波更新函数。通过对原始图像进行分裂、预测、更新运算,实现图像的小波分解。利用分解后的小波系数构成图像的小波梯度图和方向图,在小波方向图和梯度图的引导下实现了图像的边缘跟踪与准确定位,实验表明利用提升小波对图像进行边缘检测的方法是行之有效的。     

基于边缘增强和快速非局部均值的边缘图像去噪

针对全变分模型不能很好的保持图像边缘信息这一问题,有学者提出了基于边缘定向增强扩散模型,但该模型对图像细节处理不够.快速非局部均值(Fast Non-local means, FNLM)算法利用图像的自相关性与结构信息的冗余性,提高了去噪效果,但不能同时最大限度保持图像边缘信息又抑制平坦区域噪声.由于通过利用结构张量性质,可获取图像的边界、拐角、纹理等重要信息,本文引入结构张量改进边缘定向增强扩散模型,保持了图像边缘,并在此基础上提出了一种基于边缘增强和快速非局部均值的边缘图像去噪模型.该模型通过选取不同的边缘增强正则化参数,根据图像扩散幅度不同,获取带有纹理及噪声的边缘图像;然后对该边缘图像进行FNLM去噪,即过滤出图像原有的纹理结构信息;最后将之反馈到之前的边缘增强去噪图像中.实验结果表明,该方法不仅能够保留较多的纹理细节信息,而且很好的缓解了图像平滑和细节保持的矛盾.     

支持向量机和元胞自动机相结合的图像边缘检测方法

针对如何提高图像边缘检测效率的问题,提出1种结合最小二乘支持向量机(LSSVM)和元胞自动机进行图像边缘检测的方法.首先,基于Gauss径向基核和多项式核构建出新的核函数,使得LSSVM对图像像素邻域的灰度值能够进行准确的曲面拟合.接着,推导出图像的梯度算子,并与图像灰度值进行卷积得到图像的梯度值.然后,元胞自动机按照所设计的局部规则对梯度值进行演化,实现图像边缘的定位和检测.仿真实验检测出的图像边缘定位准确,而且达到1个像素宽,表明新提出的边缘检测算法是有效的;同时,通过对比分析得知新算法具有比Sobel和Canny算法更高的检测性能.     

一种改进的图像边缘检测算法

对传统的微分边缘检测算法的缺陷进行分析和评价,并针对微分边缘检测算法的缺陷,提出了一种改进 的边缘检测算法。新算法摈弃了传统边缘检测算法中将每个像素单独进行考虑的模式,而是将待检测像素及与 其相邻的像素作为一个整体来考虑,通过将待检测像素为中心的某个领域进行整体计算,得出能够反映这个领 域性质的某些参数,并以此作为边缘检测的判据,进行检测。此算法充分考虑到了中心像素与周围像素之间的 关系,从而增加了梯度运算的可靠性。实验表明:新算法能够检测到更细的边缘,并且在椒盐噪声的情况下要优 于常用的微分边缘检测算法。     

基于相关权值的图像椒盐噪声自适应窗滤波

为有效滤除图像中椒盐噪声,提出一种基于相关权值的自适应窗滤波算法。算法基于极值检测判断噪声点并仅对噪声点滤波。引入灰度差刻画邻域像素与中心像素的相关性,以此为基础设置像素权值,对中心像素执行加权均值滤波。通过邻域窗口的自适应扩展适应噪声密度变化,并对邻域像素分区域设置权值,从而适应高椒盐噪声的滤除。仿真结果表明,本文算法能够有效滤除图像中的椒盐噪声,尤其在高椒盐噪声下性能表现更佳。     

基于改进Canny检测与Hough变换的仪表图像识别算法

针对发电厂中指针式仪表数量多、周围环境复杂、灰尘污染等因素导致获得的图像含有大量噪声从而影响仪表读数识别精度的问题,提出了一种改进Canny边缘检测算法,通过采用5×5邻域计算像素梯度幅值的方法,提高了边缘检测精度,并采用自适应双阈值选择法,有效避免了传统Canny算法易出现伪边缘、边缘信息多等现象,结合Hough变换技术提取仪表指针信息,提高仪表识别精度。经实验对比验证,该算法检测效果优于传统Canny算法,仪表读数识别精度达到95%。     

结合邻域信息粒子群聚类用于SAR图像变化检测

SAR图像变化检测可以转化为对差异图的聚类问题。由于 SAR 图像本身容易受到斑点噪声干扰,为提高聚类效果提出了一种结合邻域信息的自适应粒子群聚类算法。该方法在模糊 C 均值原目标函数基础上,引入中心像素的邻域信息,并通过自适应粒子群的全局搜索来优化聚类中心。该方法还引入了自学习算子即粒子编码中的中心像素的隶属度,能够向其相邻像素的隶属度学习,并据此修正自身的隶属度值相关。实验结果表明,与模糊C均值和量子免疫克隆聚类算法相比,该方法利用了像素的邻域信息,从而增强了抗噪性能。与模糊局部信息C均值算法相比,该方法对图像细节保持能力较强,运行时间也较少。     

基于宽度细化的图像过渡区提取

利用中心像素邻域灰度信息，提出一种新的图像边缘宽度细化算法，使斜坡边缘的细化效果有明显提高．采用新的灰度加权梯度算子对细化后的图像提取过渡区，能较好地抑制图像噪声．实验结果表明，结合灰度加权梯度算子和宽度细化算法提取的过渡区效果更佳．     

改进全变分的图像去噪

为了弥补各向同性扩散去噪的非保边性、异性扩散的耗时性,分析了各向同性和异性扩散的机理,根据噪声对像素变化的影响,设计了新的扩散函数,理论上分析了该函数的扩散性能:对平滑区各向同性扩散,边缘区实现各向异性扩散。在传统全变分去噪的基础上,提出了改进全变分的图像去噪模型,运用固定点代算法设计了相应的离散迭代函数。实验结果表明,该算法在图像平滑区进行各向同性扩散,继承了各向同性的优点,降低了传统全变分的运行时间;在边缘区实现了各向异性扩散保护了图像边缘,提高了图像的峰值信噪比和视觉效果。     

一种基于马尔科夫随机场的脑MR图像分割改进算法

高斯混合模型（GMM）易受噪声影响,马尔科夫随机场（MRF）模型能够很好地刻画空间特性。两者结合适用于对含有噪声的图片进行分割,但MRF模型用于图像分割时,容易出现过分割现象。针对这个问题,提出一种自适应权值系数的图像分割改进算法,从核磁共振成像（MRI）中较好地分割出脑脊液、灰质和白质组织。首先,使用K?means算法得到初始分割结果,通过期望最大化算法（EM）估计GMM参数,进而得到图像像素灰度的联合概率能量函数。然后,利用MRF邻域系统中心像素与邻域像素的灰度值、后验概率和欧式距离得到自适应的权值系数,使用MRF模型得到先验概率能量函数。最后,借助贝叶斯准则得到最终图像分割结果。实验结果表明,该算法具有较强的自适应性,能够较好地克服噪声对图像分割的影响织。与同类算法相比,该算法对含有噪声的脑部MRI图像具有较高的分割精度,可得到较好的图像分割结果。     

基于meanshift算法的图像边缘检测

提出一种以像素的meanshift偏移向量为重要特征,并考虑像素点相互空间关系的边缘检测算法.首先通过meanshift算法计算出图像中各个像素的meanshift最终偏移向量,然后根据meanshift理论以及该偏移量性质,同时引入meanshift向量的方向和长度进行边缘检测.实验结果表明:该算法能精确定位目标轮廓,同时具有良好的抗图像噪声能力.