基于形态学和细胞神经网络的边缘检测方法

采用形态学方法提取二值图像的边缘,利用二值形态学与离散细胞神经网络(DT-CNM)的某种天然对应关系,将离散细胞神经网络引入形态学,将形态学运算转化为某种特定模板下的多层离散细胞神经网络,然后对该模板进行优化设计使之转化为单层离散细胞神经网络,降低了运算的复杂度.在此基础上,通过综合灰度图像像素在每个比特位上的边缘检测结果,提出了采用二值形态学提取灰度图像边缘的方法.与传统边缘提取方法Sobel和Log相比较,该方法边缘提取效果良好,收敛迅速.     

浅析图像边缘检测方法

介绍图像边缘的基本概念和经典的图像边缘检测方法。并着重近年来发展最快的新的图像边缘检测方法。这对于进一步学习和寻找更好的图像边缘检测方法具有实用意义。     

基于维纳滤波的图像边缘检测方法

针对经典边缘检测方法中存在的精度低、算法复杂等问题,提出了一种基于维纳滤波的图像边缘检测方法。该方法不仅算法简单,而且可以较准确地检测出图像的灰度变化信息,不丢失重要边缘且实际边缘与检测到的边缘之间偏差较小。另外,利用该方法得到的边缘连续性较好,不易产生线段断裂。实验证明该方法可以用于检测图像边缘,尤其对以字符、曲线为主的复杂图像,有较好的检测效果。     

基于细胞神经网络鲁棒性的彩色图像边缘检测

根据细胞神经网络(CNN)数学模型,提出一种新的彩色图像边缘检测方法。新方法继承了CNN的优点,解决了CNN现有算法不能直接检测彩色图像边缘的问题。该方法充分利用图像中的颜色信息,通过欧几里得距离度量像素之间的差异,使CNN方程可以在RGB彩色空间中进行运算。对CNN模板进行理论分析和鲁棒性研究,提出一个实现彩色图像边缘检测功能要求的CNN鲁棒性定理,为设计相应的CNN模板参数提供了解析判据。实验结果表明,该方法可以对彩色图像进行有效的边缘提取,定量评价验证了CNN边缘检测定位准确的优点。     

基于分形特征的图像边缘检测方法

运用分形理论描述图像纹理特征,通过分析不同纹理图像及图像边缘处的分形参数,得到一种新的边缘检测分形特征,从而提出一种基于分形特征的图像边缘检测方法。自适应阈值的引入,能够实现不同图像的边缘检测。该算法简单迅速,并具有良好的抗噪性能。     

基于边缘检测的神经网络非均匀性校正及硬件实现

红外焦平面探测器的非均匀性校正技术仍然是当前红外热成像系统重点研究的关键技术之一。相对定标类算法,基于场景非均匀性校正根据场景进行非均匀参数更新,不需要使用挡板遮挡视场。本文介绍传统神经网络非均匀性校正算法及加快收敛速度的改进措施,引入边缘检测方法来克服传统神经网络算法的鬼影问题。文中阐述的方法已在以TMS320DM643为处理核心DSP硬件处理平台上实现,取得了较好的校正效果。     

基于小波变换的图像边缘检测

本文主要对目前存在的图像边缘检测的方法进行了研究分析,重点研究了小波变换在图像边缘检测方而的优势,提出了基于连续小波变换的边缘检测方法,并编程展示编码的结果,验证其在实际应用中的可行性。     

用标记松弛方法检测闪光图像边缘

描述了边缘检测的标记松驰法。在该方法的基础上探索出一条用于检测高能闪光图像边缘的新路子。整个处理过程分为两步：第一,采用离散正交多项式曲面拟合技术探测边缘位置;第二,运用松驰标定网突出有意义的边缘结构和压缩噪声边缘。同时给出了运用此方法探测高能闪光图像边缘的结果。     

基于Canny算子的图像边缘检测实现

图像边缘信息是重要的图像信息,本文详细介绍了canny算子边缘提取的原理和算法,然后利Matlab编程实现Canny算子对灰度图像的边缘检测。实验表明,Canny算子提取图像边缘具有很好的效果。     

基于Canny算子的改进的图像边缘检测方法

本文简要介绍了Canny算子边缘检测的基本原理,并对其性能进行了分析和评价。针对传统Canny算子在滤波过程中存在的缺陷,文章提出了一种基于自适应平滑滤波的改进Canny边缘检测算子,该算法根据图像中像元灰度值的突变特性,自适应的改变滤波器的权值,在平滑图像的过程中使图像的边缘锐化。通过对实验图像的分析表明,改进的检测算法对图像边缘提取具有较好的检测精度和准确性。     

基于Daubechies小波的图像边缘检测技术

利用Daubechies正交小波变换的性质,通过Mallat多尺度分析方法对图像进行小波变换,把图像分解成低频轮廓,水平高频、垂直高频和斜线高频四个部分。针对图像边缘主要集中在高频部分,该文先保持小波变换后的高频小波系数,同时对低频小波系数进行再次小波变换,提取出次高频信号的边缘信息。最后对保留下来的高频小波系数和次高频小波系数进行逆变换获取最大边缘信息。     

基于U型全卷积神经网络的路面裂缝检测

路面裂缝检测是道路运营和维护的一项重要工作,由于裂缝没有固定形状而且纹理特征受光照影响大,基于图像的精确裂缝检测是一项巨大的挑战。本文针对裂缝图像的特点,提出了一种U型结构的卷积神经网络UCrackNet。首先在跳跃连接中加入Dropout层来提高网络的泛化能力;其次,针对上采样中容易产生边缘轮廓失真的问题,采用池化索引对图像边界特征进行高保真恢复;最后,为了更好地提取局部细节和全局上下文信息,采用不同扩张系数的空洞卷积密集连接来实现感受野的均衡,同时嵌入多层输出融合来进一步提升模型的检测精度。在公开的道路裂缝数据集CrackTree206和AIMCrack上测试表明,该算法能有效地检测出路面裂缝,并且具有一定的鲁棒性。     

基于神经网络和线性像素置换的颜色量化

本文提出了一种新的彩色图像量化算法.它是一种基于自组织神经网络和线性像素置换的后聚类算法.线性像素置换是一种均匀选取图像中的像素的方法.根据线性像素置换确定改进的自组织神经网络的初始权重向量和训练样本集.选取部分样本参加训练加快训练过程.实验结果表明,与其它量化优化算法比较,本文提出的算法在量化图像质量和算法效率方面均有明显提高,而且不依赖于算法的初始条件.     

基于BP神经网络的线Mura缺陷识别与定位研究

各类显示屏中Mura缺陷的自动识别和定位对提高显示屏幕的产品品质具有重要作用,是当前迫切需要发展的重要技术之一。针对当前手机屏幕Mura缺陷对比度低、缺乏明显边缘等特点,文中提出一种基于图像灰度曲线的Mura缺陷检测方法及其改进方法。改进方法基于均值滤波平滑和降采样原理,通过研究采样线上灰度曲线的波峰与波谷信息,利用BP神经网络构建线Mura缺陷的自动检测和定位算法。结合真实手机屏幕图像验证结果表明,与现有多种Mura缺陷检测方法相比,本文的改进方法能更准确快速地识别手机屏幕中的线Mura缺陷,识别准确率达到98.33%,检测过程无需调节参数,实现了线Mura缺陷的自动检测和定位。     

基于神经网络的信息融合算法研究及其在入侵检测中的应用

目前，网络入侵技术越来越先进，许多黑客都具备反检测的能力，他们会有针对性地模仿被入侵系统的正常用户行为；或将自己的入侵时间拉长，使敏感操作分布于很长的时间周期中；还可能通过多台主机联手攻破被入侵系统．对于伪装性入侵行为与正常用户行为来说，仅靠一个传感器的报告提供的信息来识别已经相当困难，必须通过多传感器信息融合的方法来提高对入侵的识别率，降低误警率．应用基于神经网络的主观Bayes方法，经实验，效果良好．     

基于神经网络的玻璃缺陷声学检测方法

描述了一种通过声学信号检测玻璃制品缺陷的方法。在实现步骤上,首先采集了不同缺陷类型的玻璃瓶敲击声,然后经过频谱变换及小波包变换,将敲击信号映射至不同的变换域中,并在每个变换域中提取信号的特征,从而将样本的缺陷信息对应为统计特征和物理特征,并采用基于互信息量的特征选择算法对特征空间进行降维;降维后的特征子集作为后向传播神经网络的输入参数,再由该神经网络实现对玻璃缺陷的自动化检测。结果表明,在已有实验样本数据下,该缺陷检测算法能准确高效地检测出存在缺陷的样本,识别结果的F-值稳定在95%左右。     

基于拉普拉斯金字塔分解的多尺度边缘检测

边缘表现为图像中具有奇异性点的集合,利用改进的拉普拉斯金字塔分解捕获这些奇异性点,得到各尺度下的带通图像,通过分析,得出分解后的带通图像在边缘处产生零交叉点,构造统计量帮助提取零交叉点,再通过多尺度边缘融合实现多尺度边缘提取.与LOG和Canny边缘检测的对比实验表明,所建立的算法能够可靠、有效、精确的获得图像的边缘.     

Lymph node detection method based on multisource transfer learning and convolutional neural network

Recently years, convolutional neural networks (CNNs) have proven to be powerful tools for a broad range of computer vision tasks. However, training a CNN from scratch is difficult because it requires a large amount of labeled training data, which remains a challenge in medical imaging domain. To this end, deep transfer learning (TL) technique is widely used for many medical image tasks. In this paper, we propose a novel multisource transfer learning CNN model for lymph node detection. The mechanism behind it is straightforward. Point-wise (1 × 1) convolution is used to fuse multisource transfer learning knowledge. Concretely, we view the transferred features as priori domain knowledge and 1 × 1 convolutional operation is implemented after pre-trained convolution layers to adaptively combine the transfer information for target task. In order to learn non-linear transferred features and prevent over-fitting, we present an encode process for the pre-trained convolution kernels. At last, based on convolutional factorization technique, we train the proposed CNN model and the encoder process jointly, which improves the feasibility of our approach. The effectiveness of the proposed method is verified on lymph node (LN) dataset: 388 mediastinal LNs labeled by radiologists in 90 patient CT scans, and 595 abdominal LNs in 86 patient CT scans for LN detection. Our method demonstrates sensitivities of about 85%/71% at 3 FP/vol. and 92%/85% at 6 FP/vol. for mediastinum and abdomen respectively, which compares favorably to previous methods.     

DeepLip: block-based lip pixel detection by deep neural networks

This paper presents an effective lip pixel detection method based on blocks and deep neural networks. Since only-rough localization of a pair of lips is a trivial task, we use a rectangle that loosely bounds two lips as an input region of interest for lip detection. For each pixel in the rectangle region we generate a block whose center is at the pixel, and the pixel is classified into either a lip or non-lip pixel by exploiting the pixels in the block. Deep neural networks are trained using a sufficient number of labeled blocks obtained from a quite tractable number of labeled images. As a result, lip pixels are detected with high accuracy despite negligible labeling effort. Experimental results demonstrate the effectiveness of the presented method. We show that even single-minute training can outperform the mouth map with the best threshold.     

基于边缘矢量的镰刀弯在线检测方法研究

针对热连轧车间里带钢的镰刀弯检测问题,提出一种基于机器视觉的镰刀弯在线检测方法.首先,对预处理后的图像采用图像二值化处理提取目标,再使用形态学运算消除目标上的杂质以及不连通区域.然后在图像中以图像的中心点像素作为原点建立坐标系,提取中间坯两侧边缘点,接着获取相邻点之间的向量,并进行单位绝对值化,计算相邻单位向量之间的关...