基于局部期望阈值分割的图像边缘检测算法

传统图像边缘特征检测通过梯度算子卷积计算获取梯度图,并根据梯度变化情况设定阈值得到边缘信息,但图像的各局部区域梯度变化不均匀,采用统一阈值分割边缘信息往往会造成获取的边缘信息不准确。本文提出一种基于图像局部区域期望的自适应阈值方法,首先采用Sobel算子获取图像梯度矩阵,然后将梯度矩阵分割为多个子区域,并计算每个子区域的局部期望作为该区域阈值,进行边缘特征提取。实验表明,提出的方法提高了图像主要目标物边缘特征的识别度,区域边缘信息划分准确。     

基于深度信息局部二值模式特征的室内场景边缘检测EI北大核心CSCD

针对室内场景深度图像,检测场景中的面片边缘信息并确定场景中的完整面信息是实现室内场景分析和理解的基础.基于深度信息局部二值模式特征,提出一种室内场景深度图像边缘检测的方法.首先对场景深度信息图分别求X方向和Y方向的梯度信息,结合2个梯度图找到深度信息图的基本边缘信息;然后计算基本边缘附近的局部二值模式特征信息,并计算深度图每个点的法线信息;最后利用深度信息局部二值模式特征和法线信息对边缘信息进行判断和矫正,以提取深度图像的面片边缘信息.实验结果表明,该方法能够高效、准确地检测室内场景深度图像的边缘信息,避免边缘信息的过检测和欠检测.     

基于深度信息局部二值模式特征的室内场景边缘检测

针对室内场景深度图像,检测场景中的面片边缘信息并确定场景中的完整面信息是实现室内场景分析和理解的基础.基于深度信息局部二值模式特征,提出一种室内场景深度图像边缘检测的方法.首先对场景深度信息图分别求X方向和Y方向的梯度信息,结合2个梯度图找到深度信息图的基本边缘信息;然后计算基本边缘附近的局部二值模式特征信息,并计算深度图每个点的法线信息;最后利用深度信息局部二值模式特征和法线信息对边缘信息进行判断和矫正,以提取深度图像的面片边缘信息.实验结果表明,该方法能够高效、准确地检测室内场景深度图像的边缘信息,避免边缘信息的过检测和欠检测.     

基于景物散焦图像的距离测量

计算机视觉中,景物三维重建的关键是从景物的图像中计算出景物目标到摄像机的距离,提出了一种基于散焦图像计算景物距离的新方法。该方法利用远心光学镜头拍摄景物图像,通过改变像检测到镜头的距离获得同一景物的两幅散焦程度不同的图像,将获得灰度图像转换成梯度图像。利用矩不变原理计算梯度图像中边缘区的大小与整个图像匹配大小的比Pe,根据两幅图像的Pe值计算出景物的深度。实验结果表明了该方法的有效性,并对该方法产生的误差进行了分析。     

基于矩保持法的彩色目标深度测量

提出了一种基于矩保持法获取彩色目标深度信息的新方法;算法首先通过改变摄像机的镜头焦距获得同一景物的两幅散焦程度不同的RGB图像;然后利用色差sobel算子将RGB图像转换为灰度边缘图像;根据矩保持法分别计算两幅图像边缘区域面积与整个图像面积的比值,进而得到景物的深度.算法不要求图像的准确聚焦,而且充分利用了图像的全部彩色信息,避免了使用灰度图像产生的信息丢失;实验结果表明该方法能够快速准确地获得目标的深度信息,方法实用有效.     

Hu矩在一次性输液针图像描述中的应用

目前国内一次性输液针手瓣装配基本上采用手工装配，因而存在许多弊端。为此，结合输液针的特点，对多种描述方法做了分析，提出了用Hu矩不变量来描述输液针图像，并用逆光拍摄方法来获取各个角度输液针针尖图像，从而获取了完整的轮廓信息，其二值化后的图像避免了矩值灰度级计算的不稳定性。实验结果表明，随着输液针角度的增加，其图像的矩不变量在有规律地发生着变化；用Hu矩不变量来描述输液针图像特征是可行有效的。     

图像综合特征及其在图像检测与匹配中的应用

针对灰度,几何畸变较大的图像匹配困难的问题,提出了一种图像匹配的新方法。该方法在图像预处理时,首先利用SUSAN算法来检测图像目标的边缘,然后利用图像不变矩,并结合形态信息、灰度信息构造的图像综合特征来进行图像匹配,以完成目标的识别与跟踪。由于SUSAN算法检测特征定位准确,对局部噪声不敏感,而且不变矩具有平移、旋转、比例不变的特性,因此可取得较好的检测与匹配效果。实验也表明,该算法既具有较强的抗灰度、抗几何畸变能力,又具有较强的噪声抑制能力。     

一种改进的Canny边缘检测算法

针对噪声对图像边缘检测的影响,为抑制虚假边缘,提出了一种改进的Canny边缘检测算法。该算法首先采用分数阶差分方法来计算梯度,同时利用相邻像素的梯度及其梯度差两种信息来改进非极大值抑制过程,最后通过迭代计算的方法,自适应确定梯度图像的分割阈值。试验结果表明,改进算法的抗噪声性能与传统的Canny边缘检测算法相比有明显优势,提高了图像边缘检测的准确度。     

基于梯度调整的矩不变自动阈值图像分割算法

提出了一种改进的矩不变自动阈值算法。该算法针对矩不变自动阈值法忽略图像细节的缺点,在矩不变自动阈值的基础上增加了基于目标边缘像素的梯度调整,从而使分割效果兼顾图像的整体和细节。该算法无须迭代或搜索,运算速度快,可以满足实时性的要求。仿真结果表明,该算法能有效地对目标图像进行分割。     

可见光与SAR图像的特征级融合

针对单一传感器在光谱、空间分辨率等方面存在的局限性,通过多传感器融合技术,最大限度地获取对目标场景的信息描述。首先采用不同的边缘提取算法提取同一场景的光学图像和SAR图像,得到各自的边缘特征图,通过不变矩和轮廓矩等算法对两幅边缘特征图中的边缘进行匹配融合,得到了比单一图像边缘特征图更完整更清晰的边缘特征图,获取了更多的目标场景的信息描述。     

梯度矢量扩散控制实现边缘保持的彩色图像去噪

目的 在图像的获取过程中,由于受到噪声等因素影响,可能导致图像质量下降,给后期处理带来困难,为此提出一种梯度矢量扩散控制实现边缘保持的彩色图像去噪方法。方法 首先分析了彩色图像因灰度化带来的信息损失,为了更好地利用彩色图像信息,构造了RGB空间下的梯度矢量计算方法。其次分析了噪声邻域梯度矢量与边缘邻域梯度矢量间区域性结构差异,并指出现有扩散方程的不足,给出一种控制扩散矩阵的获取方法。最后通过推导矢量图像的边缘函数,给出了RGB空间下的PM方程,分解该模型去除法向扩散,并结合控制扩散矩阵改进边缘停止函数,以此获得更好的矢量扩散控制。结果 实验结果表明,采用这种方法得到的处理结果有着较高的信噪比,验证了该方法的有效性。结论 本文方法能够在去噪的同时,较好地保持图像对比度与边缘信息,具备一定的实用性。     

基于空间聚类和边缘梯度的图像分割算法

提出一种结合空间聚类和边缘梯度信息的图像自动分割算法.在判断超像素颜色及纹理相似性的同时,进一步给出更加精确的分段边缘梯度计算方法,并采用测地距离来刻画超像素之间的相似性,使得分割结果更好地融合边缘不连续性与区域相似性.大量图像分割实验结果表明,该方法能更准确地找出分割边界,提高图像分割的准确性.     

基于参数活动轮廓模型的图像分割新方法

针对目前基于参数活动轮廓模型(PACM)的图像分割方法不能精确定位到角点,不连续边缘易受周围无关信息影响的缺陷,提出一种基于参数活动轮廓模型的图像分割新方法。该方法首先构造边缘保护项,将其引入到图像分割的活动轮廓模型中,保留拉普拉斯扩散项的切线方向分量;再引入两个权重参数控制切线方向和法线方向有偏的扩散,以提高分割的精度和效率。实验结果表明,该模型不仅能检测到弱边缘,精确定位到角点,而且能收敛到深度的凹形边界,降低无关信息对边缘不连续处的影响,防止边缘泄露,很好地保护图像细节,收敛的效率和准确率比边缘保护梯度向量流模型、法向梯度向量流模型及其改进模型有明显提高。     

一种改进的各向异性扩散深度图像增强算法

深度图像受其测距原理所限,存在边缘不匹配、无效像素、噪声等问题,提出一种基于改进的各向异性扩散算法的深度图像增强方法。首先,校正深度图像和彩色图像的位置关系,并根据时间连续性选择多帧图像,进行多帧均值滤波预处理;其次,通过在彩色图像中引入权重的思想,构建具有4-邻域形式的深度图像模型,利用彩色图像引导的深度图像进行各向异性扩散,填补孔洞;最后,使用改进的自适应中值滤波平滑图像噪声。实验结果表明,该方法能够有效修复原始深度图像中存在的由无效像素组成的黑色孔洞,在抑制噪声的同时,仍能保持深度图像中物体边缘的细节信息。     

一种基于梯度信息的SEM图像重建方法

针对集成电路制造过程中由扫描式电子显微镜(Scanning Electron Microscope,SEM)产生的灰度图像二值化问题,提出一种利用图像边缘的梯度信息、通过统计重建SEM图像的方法。用Otsu方法分析SEM图像的噪声组成,通过滤波去噪过程,用Kirsch算子分析图像的梯度信息,再利用图像外边缘的梯度大于内边缘的梯度的特性,对每一个区域进行分类统计,根据统计信息进行最后的图像填充。实验结果表明,该算法在高分辨率的图像下显示出了高稳定性和高度自动化;在低分辨率的图像下,该方法有效避免了边缘提取失败带来的影响,能正确、完整地重建图像。     

基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨

针对深度图像分辨率低、深度不连续性模糊问题,提出一种基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨方法。为了探究深度图像非局部相似块之间的相关性,提出了形状自适应的非局部回归。该方法对每个像素点提取其形状自适应块,并根据形状自适应块构建目标像素的相似像素组;然后针对相似像素组中的每个像素,结合同场景的高分辨率彩色图像获得非局部权重,从而构建非局部回归先验。为了保持深度图像的边缘信息,对图像梯度的非局部性进行探究。不同于总变分（TV）正则化对所有像素点梯度的零均值拉普拉斯分布假设,该方法利用深度图像梯度的非局部相似性,用非局部块估计特定像素点的梯度均值,并用学习到的均值来拟合各像素点的梯度分布。实验结果表明,相较于基于边缘不一致性评价模型（EIEM）,所提方法在Middlebury数据集上的2倍和4倍上采样率的平均绝对值差（MAD）分别下降了41.1%和40.8%。     

基于局部梯度的WaDi图像插值

线性插值算法容易产生细节模糊和边缘锯齿效应,为了较好地保持图像的边缘信息,改善图像的主观视觉效果,提出了一种改进的Warped Distance（WaDi）图像插值方法。传统的WaDi算法是对空间线性插值的改进,但它仅仅利用了图像边缘的局部不对称特征来计算WaDi。除了局部不对称特征,局部梯度特征也是图像边缘的一种重要特征。文中采用将局部不对称特征和局部梯度特征相结合的方法来计算WaDi,可同时保持图像边缘的细节特征和非边缘的光滑性。实验结果表明,用该方法能获得高精度的插值图像。     

基于L0范数的Retinex图像增强算法

图像在采集过程中会因为机械设备、天气状况等原因产生曝光不均等问题,使得图像的拍摄效果不佳,无法满足实际应用的需求。而传统的Retinex算法应用于图像增强时会导致图像边缘模糊与泛灰等问题。因此,针对传统的Retinex算法现存的问题,提出一种新颖的图像增强算法——基于L0范数的Retinex算法RIEALN。首先通过全局L0梯度最小化方法提取图像的轮廓成分,然后进行Retinex算法处理,再将提取的轮廓成分融合到原始图像,实现原始图像的增强。实现过程中还通过增加不同的L0梯度最小化因子确保不同尺度轮廓成分的均匀增强。实验结果表明,该算法不仅可以增强图像的对比度,而且还能够较好地保留边缘信息。