小波变换的自适应阈值图像边缘检测方法

在Marr的计算机视觉系统中，图像边缘检测占据着重要位置。但由于问题本身的复杂性和技术手段的限制，图像边缘检测的研究困难重重。近10年来，由于小波分析技术在工具和数学方法上的重大突破，试图将小波理论应用于图像边缘检测。根据边缘检测的评价标准，参照最佳边缘滤波器的设计要求，确定选择用于边缘检测的小波母函数的一般准则，并在此基础上构造出二次B样条小波，提出了基于小波变换的自适应阈值图像边缘检测的新方法。通过计算机仿真对该算法进行了验证，结果成于采用固定阈值的小波边缘检测。     

基于边缘视觉特征描述的自适应多尺度小波边缘检测方法

本文从人类视觉的特点出发，提出了一种新的图象边缘特征描述，根据该特征描述，定义了邻域的有效边缘测度，以作为边缘复杂程度的度量，并以此来调整多尺度小波边缘检测中的尺度参数，最后给出了相应的实验比较结果。     

基于提升小波的自适应阈值边缘检测新算法

针对传统的单一边缘检测算法抗噪能力差、边缘不连续等缺点,本文提出采用两种算法相结合的方式来进行边缘检测。首先,对原始图像进行多层小波分解;对分解后的图像低频部分用提出的改进提升算法进行边缘检测,对高频部分用小波变换的局部模极大值算法检测边缘;通过将各层边缘信息按一定的融合规则融合起来得到一个组合边缘,最后细化图像边缘。实验证明,这种方法相对于传统小波分析有着计算量小,计算速度快和要求存储空间小等诸多优势,同时,也能做到不丢失图像信息,保证了边缘的连续性和封闭性,检测效果较好。     

基于边缘视觉特征描述的自适应多尺度小波边缘检测方法

本文从人类视觉的特点出发,提出了一种新的图象边缘特征描述。根据该特征描述,定义了邻域的有效边缘测度,以作为边缘复杂程度的度量,并以此来调整多尺度小波边缘检测中的尺度参数。最后给出了相应的实验比较结果。     

一种自适应多尺度积阈值的图像去噪算法

该文提出了平稳小波变换(Stationary Wavelet Transform, SWT )域自适应多尺度积阈值的图像去噪算法(SWT domain Multiscale Products, SWTMP)。与传统的阈值去噪算法不同,该阈值不是直接作用于小波系数,而是作用于小波系数的空间多尺度积。分析了SWT域含噪图像多尺度积的特点,提出了SWT域自适应多尺度积阈值的计算方法。多尺度积强化了图像的重要结构信息,弱化了噪声,在有效去噪的同时更多地保留了图像的边缘和细节。实验结果表明,所提算法对自然图像去噪后的视觉效果和性能指标均好于二进小波域多尺度积阈值(Adaptive Multiscale Products Thresholding, AMPT)去噪方法。     

用二次B样条小波进行图像的自适应阈值边缘检测

根据边缘检测的评价标准,参照最佳边缘滤波器的设计要求,确定选择用于边缘检测的小波母函数的一般准则,并在此基础上构造出二次B样条小波,提出了基于小波变换的自适应阈值图像边缘检测的新方法.通过计算机仿真对该算法进行了验证,结果明显好于采用固定阈值的小波边缘检测.     

多尺度分析用于图像边缘的精确检测

图像中边缘往往存在于一个较宽的尺度范围内，边缘的定位精确性是衡量一个边缘检测算法性能的重要依据。众多算法中，引起较大关注的是M—H的二阶导数过零点检测和Canny的一阶导数最大值检测，但都存在各自的不足。本文提出将线性权重函数(LWF)作为平滑函数，并利用小波理论的多尺度分析方法，对图像边缘进行检测，其在定位精确性、噪声抑制能力方面均有较好性能。     

工业图像中屋脊边缘多尺度检测方法

针对屋脊边缘的特点，提出了一种多就度屋脊边缘的检测方法，该方法分析了图像中屋脊边缘的可能性，并根据该可能性量自适应调整滤波器的尺度参数，分析了对屋脊边缘进行滤波的尺度参数选取范围，实验表明该方法是可行的。     

基于小波变换的多尺度图像边缘处理

对小波变换后的图像边缘信号关于多尺度边缘检测、提取和重建方面进行了讨论,以利于进一步对图像进行有效的编码、识别和增强等处理;同时也讨论了将小波变换与多尺度边缘检测方法有机结合起来的一些实用技巧。     

基于多尺度屋顶状边缘的目标检测

本文利用小波为工具提出了在多尺度检测图象中屋顶边缘的方法，导出了该处屋顶边缘的最大曲率及其方向的计算公式；并将其结合人脸的特点用以在较复杂背景的图象中确定人脸及其器官（如眼睛）的位置和进行初步的分割，此方法在实验中取得了良好的效果。     

Adaptive multiscale edge detection based on vision feature of edge and wavelet transform

A new rnultiscale edge detection method is presented, which is based on an effective edge measure. The effective edge measure, used to adaptively adjust the scales of wavelet transform, is defined using the novel features of image edge obtained from human being vision characteristics. Finally, two experiments show that the proposed algorithm appears to work well.     

基于小波变换的红外图象多尺度边缘检测

本文讨论了小波变换及其应用于多尺度图象边缘检测的原理，对一幅红外图象给出其多尺度边缘检测的计算机仿真结果，而且与传统的边缘检测方法进行比较，从而得出基于小波变换的多尺度边缘检测是一种较好的方法     

一种基于小波多尺度边缘检测的图像融合算法

该文提出了一种新的基于多尺度边缘检测的小波图像融合方法,是一种利用图像边缘特征的小波图像融合方法,融合过程利用了图像的多尺度边缘信息。为了更好地保持图像的边缘,该文在图像融合过程中将图像去噪与边缘检测相结合。提出了一种物理意义明确的小波最佳分解层数的确定方法。利用统计分析的评判准则,如熵、标准偏差等,评价二维多聚焦图像不同小波分解层的融合效果,表明该方法提高了图像的熵和标准偏差的值,算法效果良好。     

基于样条修匀公式的图像边缘检测

本文给出了一类基于Ｂ样条修匀公式的图像边缘检测算子,其过程是先利用等距Ｂ样条函数对图像｛ｆ（ｉ,ｊ）｝Ｎ－１ｉ,ｊ＝０做一个全息光滑曲面公式,进一步利用Ｂ样条函数的局部支撑性质导出,该曲面公式可以严格地局限于每点的某变邻域内计算,即Ｓ（ｘ,ｙ）＝∑（ｉ,ｊ）∈Ｎｋ,ｌ（ｘ,ｙ）ｆ（ｉ,ｊ）Ωｋ（ｘ－ｉ）Ωｌ（ｙ－ｊ）该曲面既有足够的光滑性,又有良好的保凸性;然后,基于这个光滑曲面Ｓ（ｘ,ｙ）,再通过求｜Ｓ｜的局部极大值点或求２Ｓ的零交叉来检测边缘．数值实验表明,这是一类十分成功的边缘检测算法,它简捷、可靠,便于实时处理,如可用于计算机视觉系统中的特征提取、图像分割、纹理分析等．     

基于非均匀采样及选择注意机制的多分辨率边缘检测

本文提出了一种新的多分辨率边缘检测方法，它模拟了生物视网膜对视觉信息非均匀采样及生物视觉具有选择注意能力的特点，通过在视觉处理早期仅对感兴趣的区域注视而忽略或抛弃其他无关细节，将带宽和计算资源合理分配，与Ｍａｌｌａｔ等人提出的多分辨率分析框架相比，能进一步降低计算复杂度且更符合生物视觉机理。     

自适应阈值分割与局部背景线索结合的显著性检测

为了提高显著性算法对不同类图像的适用性以及结果的完整性,该文提出一种基于自适应阈值合并的分割过程与新的背景选择方法相结合的显著性检测算法。在分割过程中,生成相邻区块的RGB以及LAB共六通道融合的颜色差值序列,采用区块面积参数的反比例模型生成自适应阈值与颜色差值序列进行对比合并。在背景选择过程中,根据局部区域背景-主体-背景的相对位置关系线索,得到背景区域,再对结果进行边缘优化。该算法与其它算法相比得到的显著图不需要外接其他阈值算法即生成二值图,自适应阈值合并能排除复杂环境中的物体细节,专注于同等级大小物体的显著性对比。     

在小波域边缘检测的新算法

传统的边缘检测的经典算法，如Sobel、Prewitte、Paplacian、Roberts等，检测速度快，但结构信息不完整。为了有效抑制噪声，本文基于小波变换，提出了一种新的图像边缘增强的算法。与通常所用的Roberts算子相比较，具有更好的边缘检测特性。实验表明所提出的方法是可行的。