一种基于云模型和数学形态学的边缘检测算法

针对图像信息的不确定性,本文提出了一种基于云模型并结合数学形态学的边缘检测算法.该算法首先提取灰度图像的若干不确定面云,基于面云之间相邻、包含和相交的位置关系,利用云计算提取得到线云,使用数学形态学的边缘检测算子,对多种类型的边缘进行检测.最后进行了仿真试验,结果表明该算法对不同类型的边缘有一定的适宜度.     

一种基于模糊划分的边缘检测算法

基于信息论中最大熵原理，提出了一种新的基于模糊划分的边缘检测算法，并介绍了模糊概率和用条件概率与条件熵来定义模糊划分熵的概念以及模糊划分的原理。该算法是利用自然划分以及梯度图像模糊划分的关系，在条件概率与模糊划分熵的基础上，通过最大模糊熵原则来实现图像分割中最优阈值的自动提取，以实现图像的边缘检测。通过不同类型测试图像的边缘检测结果比较表明，该算法用于边缘检测能获得很好的效果。     

基于模糊熵和分形维度的边缘检测算法

当图像中噪声与边缘强度相差不大时,用LFFD算法检测边缘时会扩大噪声。针对该问题,给出一种抗噪声的边缘检测算法(EFFD)。该改进算法通过使用模糊熵来抑制噪声扩大,用分形维度来描述图像的局部特征。通过对不带噪声和带有椒盐噪声的图像的边缘检测,说明EFFD在带噪声的图像中可以抑制噪声扩大,获得较好的边缘特征。     

基于空间复杂度掩盖的边缘检测算法

通常边缘检测算法仅仅考虑到图像本身信息,而未考虑人眼对规则图像的感知能力比对非规则图像更强。结合人眼的视觉特性,本文提出了一种基于空间复杂度掩盖的边缘检测算法。给出了一种空间复杂度的测度以及双门限机制,利用图像空间复杂度来体现图像的规则程度,并根据图像的纹理信息矫正图像的梯度方向,确定边缘宽度,准确定位空间复杂度的计算区域。实验结果表明,本文提出的算法可以有效地检测规则图像的边缘,抑制复杂纹理区域的边缘。因此,该算法更符合人眼的视觉特性,有利于复杂情况中信息的提取。     

基于滚动圆的点云数据边缘检测算法

针对点云数据边缘较难检测这一问题,提出了一种快速有效的点云数据边缘检测新算法.该算法以点云数据的全局特性为基础,通过分析三维空间内平面几何曲线的全局边缘性质,构建了基于滚动圆的边缘检测新模型.采用滚动圆的方法针对不同边缘类型进行相应建模,定义了多个特征系数并基于此建立边缘判定准则,实现快速边缘定位.利用公共数据库进行多组实验,分析结果表明,该方法能快速稳定地检测物体边缘,具有较高的检测质量和速度性能.     

基于相对熵和边缘检测的图象分割算法

利用相对熵选择阈值和检测提出一种图象分割算法。其主要思想是通过相对熵来选择最佳阈值，然后用任何一种边缘检测对图象进行分割。将所提出的算法和基于局部熵的算法分别用于现场颗粒物料图象的分割，实验结果表明，该算法优于基于局部熵的图象分割算法。     

基于模糊熵和BP神经网络的彩色图像边缘检测

在RGB颜色空间中,分别提取R、G、B三个分量并计算R、G、B三个分量的组合V,通过引入模糊熵,构造出4个基于模糊熵的信息测度分量来定量描述彩色图像的边缘特征,并将4个测度分量组成一个整体的特征向量,计算训练图像的特征向量作为样本对BP网络进行训练,然后将训练的BP网络直接用于边缘检测。该方法充分考虑了颜色空间中各颜色分量以及它们之间的相关性;BP网络的结构和训练都比较简单;实验表明,改进方法具有较强的细节保持能力,对弱边缘具有较强的检测能力。     

基于图像分块的边缘检测算法

Canny算子高低阈值的选取依赖图像全局梯度信息的统计,图像全局梯度信息和局部梯度信息的分布通常存在差异,导致在局部范围中较明显的边界可能被漏检。针对该问题,提出一种根据图像熵信息对图像进行分块的边缘检测改进算法,并将其用于Canny算子。实验结果证明了该方法的有效性,其检测效果优于直接运用Canny算子。     

一种基于模糊熵和FKCN的边缘检测方法

根据邻域内的灰度分布是有序的、具有方向性以及灰度实质具有结构性三种图像边缘的基本特征,通过引入模糊熵,构造出了一组基于模糊熵的信息测度分量来定量描述图像的这些边缘特征.利用训练样本获取该组分量,并组成一特征向量对模糊Kohonen聚类网络（FKCN）进行训练.用训练好的FKCN聚类网络直接提取其它图像的边缘.该方法无需确定阈值,对弱边界检测较敏感,在特征的选取上充分地考虑了边缘和噪声的本质区别,具有优异的抗噪性能.     

基于云模型元胞自动机的农田图像边缘检测方法

为了满足智能农业机械自动导航系统的应用需求,本文提出了一种基于云模型元胞自动机的农田图像边缘检测方法。该方法采用云模型模糊逻辑对特征信息进行模糊推理,并通过元胞自动机的自动演化过程得到图像边缘。实验表明,该方法应用于农田图像边缘检测中效果较好。     

基于极大团的边缘云节点聚合算法

组合多个边缘云可以向用户提供更强大的云计算服务,在大量边缘云节点集合中选择适当的节点进行组合是一项具有挑战性的任务。该问题被建模成由云节点作为顶点、节点之间的链路作为边的资源拓扑图。云组合的构建过程等同于在该图中选择子图的过程,这是一个NP完全问题。子图的选择策略是决定云组合性能的重要因素,现有的minStar算法贪心地选择节点之间通信延迟最小的子图,将最优资源分配给当前用户,导致了局部最优和全局性能不良的问题。鉴于此,提出基于极大团的边缘云资源分配算法,提取图中的极大团并将其划分为若干互不重叠的规模较小的完全子图,以子图为单位构建资源块,以资源块为单位进行资源的分配。实验结果表明,与minStar算法相比,新算法将全局最大通信延迟降至原来的50%。     

基于边缘特征和AdaBoost分类的遥感图像云检测

传统遥感图像云检测方法在处理山地、雪地、暗云等场景时极易发生错判,准确度较低。通过对遥感图像中云与地物的不同特点进行分析,提出一种新的遥感图像边缘特征描述方法,结合图像的边缘特征和灰度特征使用AdaBoost分类器进行云图分类,并利用图像的空间相关性对分类结果进行修正。经10万余幅图像测试结果表明:该算法与传统算法相比准确度极大提高,正确率达到96%以上,且运算速度快,满足实时性要求。     

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]。     

基于图像纹理自适应的边缘检测算法

通过对图像进行Fourier分析,获取能够表达图像纹理的能量谱,进而定义能量谱的环特征和楔特征.环特征可以描述纹理的粗细,楔特征可以描述纹理的方向,以这两个特征值作为边缘检测模板选择的依据,使边缘检测具有纹理自适应能力.实验表明,该算法边缘检测精确,抗干扰能力强.     

基于细胞膜优化的图像边缘检测算法研究

研究图像边缘准确检测的问题.传统的像素阈值分割算法虽然考虑了图像的空间信息,但是由于解空间维数增加,搜索范围增大,导致计算时间延长,求解最优阈值的速度较低,同时传统二维熵的计算中只考虑了像素的概率,忽略了灰度的概率,导致分割不准确.为了避免上述缺陷,提出了一种基于细胞膜优化的图像边缘检测算法.利用图像内部像素差值方法,提取目标图像的边缘特征,为图像的边缘检测提供准确的数据基础.利用细胞膜优化方法,计算边缘最优边界像素点,从而实现图像的边缘检测.实验结果表明,利用上述算法能够有效提高图像边缘检测的准确性.     

基于数学形态学的图像边缘检测算法的研究

为了提高图像边缘检测的效率、降低噪声对图像边缘检测的影响,提出了一种基于数学形态学的图像边缘检测算法。该算法引入多元结构元素的概念,提出了一种改进的形态学边缘检测算子,能够有效地检测出带有噪声的图像边缘,并保持边缘的平滑性。实验结果表明,与传统边缘检测算子相比较,该算法杭噪声性能良好,实时性较好,具有一定的实用性和可行性。     

基于模糊聚类的缺损图像的边缘检测

模糊聚类算法(FCM)应用于数字图像的边缘检测已取得了较好的效果。通常情况下要进行检测的图像是完整的,但也存在边缘不完整或模糊的情况,这时原来的FCM算法就难以直接应用。该文提出了不完整数据的模糊聚类算法,对原FCM的算法公式进行了修正,并将其应用到局部域上有缺损的图像边缘检测中。实验结果表明,修正后的算法能较精确地恢复边缘缺损部分的信息,并实现其边缘检测。     

基于RPCA的图像模糊边缘检测算法

针对传统边缘检测方法未能在抗噪性能与边缘检测精度之间取得较好的权衡的问题,利用鲁棒主成分分析模型良好的矩阵恢复能力与图像模糊边缘检测算法较佳的边缘检测性能,提出一种基于RPCA的图像模糊边缘检测算法,将图像的边缘检测问题转化为图像主成分的边缘检测问题。该算法对含噪图像进行RPCA分解,得到对应的稀疏图像和低秩图像,再用一种基于阈值的隶属函数将低秩图像转化至等效的模糊特征平面,并在该特征平面上进行模糊增强运算,最后进行空域转化及边缘提取等操作得到最终的边缘图像。实验结果表明,该算法提高了边缘定位的精度,对不同类型、不同强度的噪声均具有较好的抑制能力,适用于对实时性要求不高的图像处理。