基于分数阶微分和Sobel算子的边缘检测新模型

现有的边缘检测算法对噪声敏感,检测到的图像边缘效果不够理想,得到的图像边缘有可能模糊不清。为了克服这些不足,以分数阶微分理论为基础,结合Sobel算子边缘检测方法,提出了一种基于分数阶微分和Sobel算子的边缘检测新模型。理论研究和实验结果表明,与现有方法相比较,该模型不仅能较好地提取图像边缘特征,而且对噪声具有一定的抑制作用;特别地,对于纹理细节较丰富的图像而言,该模型能够检测出更多的纹理细节信息,优于常用的整数阶微分方法,是一种有效的边缘检测方法。     

图像边缘检测的分数阶微分算子研究

针对常用整数阶微分边缘检测算子不能较好保持图像纹理细节的不足,在4-方向的Roberts算子、Prewitt算子和Sobel算子的基础上利用0~1阶分数阶微分替换一阶微分,构造了3种用于图像边缘检测的0~1阶分数阶微分新算子。实验结果表明,所构造的3种分数阶微分算子不仅能有效地提取出图像的边缘信息,而且还能较大程度地保留图像的纹理细节。检测效果优于常用整数阶微分算子及现有的一些0~1阶分数阶微分算子。     

基于分数阶偏微分方程的图像去噪新模型

将分数阶微分理论和全变分方法相结合应用于图像去噪,提出了一种基于分数阶偏微分方程的图像去噪新模型。该模型很好地继承了现有的全变分(TV)模型去噪效果与保持图像边缘细节特征的优点,同时利用分数阶微分运算特有的幅频特性优势,较好地保留了图像平滑区域中灰度变化不大的纹理细节。实验结果表明：一方面,与现有去噪方法相比,新模型不仅具有较强的抑制噪声能力,而且能较好地保持图像边缘特征,还能保留更多的图像纹理细节信息,优于常用的整数阶偏微分图像去噪方法;另一方面,从峰值信噪比的对比实验可以看出该模型去噪效果优于其他方法,较好地达到了去噪目的,是一种有效、实用的图像去噪模型。     

自适应分数阶微分的复合双边滤波算法

分数阶微分的图像滤波和增强方法多数通过尝试不同的分数阶得到结果,并以固定分数阶进行纹理细节提取,这种方法对于复杂环境难以鲁棒的增强整幅图像中的纹理细节。为此,我们提出了一种自适应的分数阶微分的复合双边滤波方法。通过分析纹理特性,建立幅值频率非线性联合指数模型自适应选择分数阶微分阶数检测图像纹理细节,有效克服图像中纹理细节的变化;在双边滤波的框架下,引入自适应分数阶微分构建的引导图像,借助细节转移方法,确保在图像去噪的同时保持/增强纹理图像细节。实验结果表明,自适应分数阶微分的复合双边滤波算法在图像滤波、去雾、细节增强等计算机视觉应用方面具有良好的效果。     

基于有理数阶微分的图像去噪新方法

针对现有的全变分(TV)去噪方法效果不太理想,在去噪的同时不能较好地保持图像的边缘和纹理细节,提出了一种基于有理数阶微分的图像去噪新方法。首先详细地讨论了现有的全变分去噪方法和分数阶微分去噪方法各自的优缺点;然后将全变分去噪模型与分数阶微分理论相结合,获得有理数阶微分图像去噪新模型,并推导了相应的有理数阶微分模板。实验结果表明:与改进前的方法相比,信噪比(SNR)提高了接近2个百分点,较好地传承了全变分去噪方法对图像高频部分大幅改善及分数阶微分去噪方法能够很好地保留图像纹理细节的优点,是一种有效的图像去噪方法。     

基于有理数阶微分的图像去噪新方法

针对现有的全变分(TV)去噪方法效果不太理想,在去噪的同时不能较好地保持图像的边缘和纹理细节,提出了一种基于有理数阶微分的图像去噪新方法。首先详细地讨论了现有的全变分去噪方法和分数阶微分去噪方法各自的优缺点;然后将全变分去噪模型与分数阶微分理论相结合,获得有理数阶微分图像去噪新模型,并推导了相应的有理数阶微分模板。实验结果表明：与改进前的方法相比,信噪比(SNR)提高了接近2个百分点,较好地传承了全变分去噪方法对图像高频部分大幅改善及分数阶微分去噪方法能够很好地保留图像纹理细节的优点,是一种有效的图像去噪方法。     

非整数步长的分数阶微分Sobel算子的应用

针对现有的分数阶边缘提取算子对于具有大量的平滑区域图像和丰富纹理图像的边缘检测精度较低的情况,对Gruwald-Letnikov（G-L）分数阶微分整数步长和传统的Sobel算子进行了相关的改进,并利用高斯加权的拉格朗日插值方法确定非整数点的灰度值,构造了一个新的分数阶微分掩模模板。理论研究与实验分析表明：该模型可用于检测含有丰富的纹理细节与大量的平滑区域的图像,且检测精度与清晰程度都有显著的提高。     

基于纹理复杂度的自适应分数阶微分算法

图像分数阶微分算子具有较强的纹理细节信息增强能力,但最佳分数阶微分的阶数需要人为指定。为此,分析传统的分数盒维计算方法并对其进行改进,提出一种基于纹理复杂度的自适应分数阶微分算法。选择可以表示纹理细节复杂程度的分数维作为参数,自适应确定微分的阶数。实验结果表明,改进算法提取图像边缘的效果较好。     

基于Riemann-Liouville改进的1~2阶分数阶边缘提取新模型

针对数字图像的处理中采用整数步长与0~1阶分数阶微分的掩模算子未能精确定位边缘信息、缺少图像的纹理细节的问题,在Laplacian算子的基础上提出了一种新的边缘检测掩模算子。该算法从Riemann-Liouville(R-L)定义出发,推出1~2阶分数阶微分在中频信号的增强效果优于0~1阶分数阶微分并显著提升了高频信号,最终得到精确的检测效果。仿真结果表明:提出的算子能更好地提取边缘信息,尤其对灰度变化不大的平滑区域中纹理细节丰富的图像,该算子检测到的信息优于现有0~1阶微分算子,针对主观识别有更高的准确率;客观上采用扫描法的定位误差统计,该算子的综合定位误差率为7.41%,低于整数阶微分算子(最低为10.36%)与0~1阶微分算子(最低为9.97%),有效提高了边缘定位精度。该算子尤其适用于具有较高频信息的图像边缘检测中。     

基于G—L分数阶微分的图像边缘检测

传统的基于整数阶微分的图像边缘检测算子,存在对噪声敏感、抗干扰能力差,提取图像边缘信息简单等缺点。分数阶微分能加强信号的高频成分,同时对信号的中低频成分进行非线性保留。本文根据分数阶微分的G L定义,推导出分数阶微分的差分表达式,构造5×5大小的分数阶微分算子模板,并采用Sobel算子、Prewitt算子和Laplacian算子进行图像边缘检测的仿真实验。仿真实验结果表明,相比整数阶微分算子,分数阶微分算子抗噪声性能强,能有效保留图像平滑区域中的纹理细节信息,图像边缘检测结果的信息也更为丰富。     

带边缘补偿的分数阶积分图像去噪算法

针对分数阶积分的图像去噪算法容易丢失图像细节特征的问题,提出了一种带边缘补偿的分数阶积分图像去噪算法。介绍了分数阶积分算子具有尖锐的低通性能,将分数阶Cauchy公式引入到数字图像去噪中,并利用斜坡法来近似计算分数阶积分的数值解。在迭代去噪的过程中,该算法在图像信噪比（SNR）上升阶段,设定较高微小积分阶次来构建去噪掩模;在图像信噪比开始下降阶段,设定较低微小积分阶次来构建去噪掩模,并采用边缘补偿机制来部分恢复图像的细节信息。由仿真实验可知,提出的图像去噪算法由于在迭代去噪的过程中采用了不同的分数阶积分阶次和边缘补偿机制,与已有的降噪算法相比,可以在去除噪声的同时适当恢复原始图像的细节信息,由此获得更高的信噪比和更佳的视觉效果。     

图像纹理区检测及分割算法研究

图像纹理区是指在进行边缘检测时边缘分布相对密集,并存在一些伪边缘的区域。研究表明,现有的很多图像处理算法的误差集中在纹理区。图像纹理区分割的目的就是将这一区域分割出来以便对其采用不同的处理方法。本文提出了一种基于模糊增强的图像纹理区检测及分割算法。本文算法根据图像纹理区特点,首先增强纹理区像素对比度,并利用Canny边缘检测算法提高纹理区检测效果,最终实现了图像纹理区的准确检测和分割。     

融合边缘检测和自注意力的图像修复方法

针对修复后图像边界模糊、图像纹理不清晰、视觉效果差的问题,提出了一种融合边缘检测和自注意力机制的生成式对抗修复模型.通过边缘检测可提取出图像的轮廓信息,避免了修复后边界模糊的问题;利用自注意力机制能够捕获图像全局信息并生成图像精确细节的能力,设计出融合自注意力机制的纹理修复网络.该模型由边缘补全网络和纹理修复网络组成,首先,设计的边缘补全网络对受损图像的边缘进行补全,得到边缘补全图像;其次,利用纹理修复网络联合补全的边缘图像对缺失区域的纹理进行精确修复.在CelebA和Place2两个图像数据集上对本文所建模型进行了训练和测试.实验结果表明:本文所建模型与现有图像修复方法相比,大幅提高了图像修复的精确度,且生成的图像更加逼真.     

一种煤矿井下输煤大块物检测方法

针对现有煤矿井下输煤大块物检测方法存在无法检测大块物数量且检测精度不高的问题,提出了一种基于改进HED神经网络融合Canny算子的煤矿井下输煤大块物检测方法。采用提取反射分量结合边缘保留滤波方法对采集的图像进行预处理,增强图像亮度、对比度,加深图像边缘信息;将预处理的图像代入改进的HED神经网络与Canny算子的融合模型中,得到连续的大块物边缘图像,根据边缘图像做非运算得到二值化填充图像;对二值化填充图像中的大块物进行矩形标注,计算出大块物像素个数与面积;统计大块物数量并判断大块物面积是否高于设定阈值,若高于设定阈值,则报警。实验结果表明,基于改进HED神经网络融合Canny算子的煤矿井下输煤大块物检测方法具有较好的边缘检测效果,能够有效降低图像边缘检测误差,有效统计出大块物数量,并能计算出大块物的面积。     

基于引导滤波器的单幅雾天图像复原算法

基于中值滤波的单幅图像去雾算法所获取的大气面纱图像不能有效地保留雾天图像的边缘信息,也不能真实地反映场景的深度信息,因此,提出了一种基于引导滤波器的大气面纱修正方法。由中值滤波得到初始大气面纱,使用引导图像滤波器对其进行修正得到较为准确的大气面纱,去除多余的纹理信息的同时增强了雾天图像的边缘信息,由大气散射模型得到场景辐射光即复原图像,并对其进行亮度调整。与其他现有的典型去雾算法相比较,该算法在深度剧烈变化的边缘区域有更好的去雾和增强效果,且时间复杂度为线性。     

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。     

基于边缘检测的水印嵌入区选择

根据人的视觉特性,介绍了一种基于边缘检测的方法来检测图像的纹理区;方法简单、准确,且运算量小,有利于数字水印的不可见性和鲁棒性之间的平衡。