基于区域一致性测度的彩色图像边缘检测

针对在RGB空间很难有效区分颜色相似性的问题,选择HSI颜色空间进行图像处理和分析。首先计算饱和度、色度、亮度等色差分量,通过引入模糊熵,构造出一组基于模糊熵的信息测度分量来定量描述图像的边缘特征。利用训练样本获取该组分量,并组成一特征向量对BP神经网络进行训练,然后将训练的BP网络直接用于边缘检测。BP网络的结构和训练比较简单,而且不需要设定阈值检测边缘。实验表明,该方法具有较强的细节保持能力,达到了令人满意的边缘检测效果。     

基于图像特征与面向对象BP算法的边缘检测

提出了一种基于图像特征与面向对象BP神经网络的边缘检测方法。首先，在图像特征的选取上，充分考虑边缘和噪声的本质区别，构造具有较强抗噪能力的特征向量；然后用经人工处理的样本对BP网络进行训练，将训练后的网络用于图像的边缘检测。     

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.     

多方向模糊形态学彩色图像边缘检测算法*

提出了一种多方向模糊形态学彩色图像边缘检测算法,并将灰度模糊形态学推广到彩色图像。首先采用隶属度函数将彩色图像映射到模糊域;然后采用多方向模糊形态学在R、G、B三个分量上进行边缘检测;最后合成各分量的边缘,得到最终彩色图像边缘。仿真实验证明,该算法能够较好地检测彩色图像边缘,检测结果优于传统的边缘检测算子,并能够检测出彩色图像中的模糊边缘。     

基于四元数和SOM神经网络的彩色图像边缘检测

针对传统边缘检测方法无法考虑到彩色图像各颜色分量的相关性,以及边缘提取效果受阈值影响的不足,提出一种四元数和自组织神经网络(SOM)相结合的彩色图像边缘检测算法。根据四元数柯西积分公式和四元数矢量积性质,构造图像的边缘特征向量对SOM神经网络进行训练,然后用训练好的SOM网络提取边缘。实验表明,该方法具有良好的边缘检测效果,并有较强的细节保持能力。     

用遗传BP网络进行图像边缘检测

该文提出了一种基于遗传算法与图像特征向量的边缘检测方法。由于噪声的干扰,常规的图像边缘检测方法往往效果不佳,因此在充分考虑边缘和噪声本质区别的基础上,构造具有较强抗噪能力的特征向量;然后用样本图像对多层前馈神经网络采用遗传学习算法和误差反向传播算法(BP)相结合进行训练,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。最后,将训练后的网络用于图像的边缘检测。实验证明这种方法是有效的。     

基于RGB和HSV的胶囊异囊缺陷识别方法

针对彩色胶囊图像的特点,结合RGB颜色空间数据易处理和HSV颜色空间色差感知均匀的优点,提出一种异囊缺陷检测方法,其中异囊是指某种颜色的胶囊中混有的其它颜色胶囊。该方法是基于RGB颜色空间的图像分割和基于HSV颜色空间的色差公式计算。将基于Y方向的Scharr算子应用于R分量图像,寻找胶囊上下两节之间的分隔线,将R、G、B各分量图像分割成两部分;基于图像直方图,采用加权平均的方法来获取R、G、B分量值,并将R、G、B分量值转成H、S、V分量值;利用加权方式的HSV色差公式计算色差,与设定阈值比较得出检测结果。测试结果表明,该方法保证了较高的检测精度,节省了常规基于HSV检测的方法中整体图像颜色空间转换的时间消耗。     

基于模糊规则的彩色图像边缘检测方法

在YUV彩色空间中．本文提出了一种基于模糊规则的彩色图像边缘检测方法。对输入图像的Y、U、V三个分量，计算各个点与8邻域的绝对差值．利用预先定义的16条模糊规则进行模糊推理，获得属于边缘点的隶属度．再将其变换到灰度空间获得边缘强度值；然后利用快速熵算法确定阈值．进而获得边缘图像。实验表明．与基于梯度的方法相比．这种方法不但可以获得较好的边缘特性．而且具有较强的抗噪性能。     

一种新的彩色有噪图像边缘检测方法

针对在RGB空间中很难有效区分颜色相似性问题,提出一种在HSI空间基于广义形态滤波的彩色有噪图像边缘检测方法。首先将图像转换到HSI色彩空间,然后对H、S、I三个分量分别计算熵,并利用判决机制选择熵值最大的分量进行广义形态滤波,最后对滤波结果采用形态学梯度算子检测边缘。将该方法与基于传统形态滤波的边缘检测方法进行了比较,实验结果表明,本文提出的方法在抑制噪声的同时能较好地保持边缘和细节,并且大大提高处理速度。     

一种基于立方体相似度的彩色图像边缘检测算法

对彩色图像边缘检测算法进行了研究,提出了一种基于立方体相似度的边缘检测算法,同时,对几个相关的问题做了详细的描述,如颜色空间的概念、分类等。这种算法在一定程度上合理地对R、G、B三个颜色分量之间的关联性进行了构造,对相关颜色的向量问题转为标题问题,转入了发展相对完善、人们更为熟悉的领域。经过实验得出,该算法可以很充分的通过图像的颜色信息,使原彩色图像的边缘得到更完整的保留。     

一种新的基于统计向量和神经网络的边缘检测方法

通过构造不同的统计量定量描述了边缘点邻域灰度的分布特征,并将4个统计量组成统计向量.计算训练图像的统计向量作为样本对BP神经网络训练,然后将训练的BP网络直接用于边缘检测.新方法在统计向量的构造上充分考虑了边缘点和噪声点的区别,具有较好的抗噪性能;BP网络的结构和训练都比较简单;而且不需要设定阈值检测边缘.实验表明,新方法抗噪性能好,达到了令人满意的边缘检测效果.     

基于图像视觉特征的火灾自动识别

传统的火灾检测方法是感烟、感温、感光探测器以及红外对射探测，对于装有监控设备的大空间建筑物，该文提出了一种基于图像视觉特征的火灾检测方法。通过对摄像头摄取的图像进行处理，提取其色彩特征和小波特征，然后利用神经网络通过有监督的学习建立图像特征向量与三维火灾向量的联系，达到利用图像进行火灾识别的目的.     

基于多特征组合的球形果蔬智能分选方法

为提高球形果蔬分选效率以及降低分选成本,提出了一种在机器视觉技术下球形果蔬多特征组合的智能分选方法。针对单一特征刻画图像特征不全面的问题,建立了颜色矩、Zernike矩、灰度共生矩阵三种特征的组合特征模型,用以确定果蔬的综合特征。Zernike矩在计算前进行了基于H分量阈值二值化图像边缘提取。利用BP神经网络和支持向量机构造分类器,分别对实验样本进行分选。通过仿真实验,验证了多特征组合算法的可行性和有效性,对比分析了BP神经网络和支持向量机分类器对分选效果的影响,分选率均达到了95%以上。     

使用模糊竞争Hopfield网络进行图像分割

针对传统自组织竞争学习方法的不足,将模糊竞争学习引入竞争Hopfield网络中,由此设计了一个用于图像分割的模糊竞争Hopfield网络,通过将图像空间映射到灰度特征空间,实现灰度特征集的模糊聚类,进而实现图像分割.实验结果表明:对于二值分割,与Ostu方法相比,此算法在分割效果和对噪声的自适应能力方面具有明显的优点.对于多类分割,此算法比目前的FCM(fuzzy C mean)算法的处理速度要快.     

BP神经网络和遗传算法在货车车锁检测中的应用

为实现货车自动检测记录系统，需要根据化的图像检测进站货车车锁是否存在，提出一种基于BP神经网络和遗传算法的货车车锁检测方法，首先提取图像的投影特征，边缘图像的矩向量特征以及灰度直方图特征，然后用BP神经网络进行检测和定位；同时引入遗传算法，利用遗传算法的高并行性和鲁棒性，可以较快地完成全局搜索，而不会陷入局部最优，实验结果表明，该方法能有效地克服货车车锁种类多，变形大以及光照变化的影响，具有较高的检测速度和检测成功率。     

基于混合神经网络的图像复原方法

针对传统图像复原方法对先验知识的依赖性问题,提出一种基于混合神经网络的图像复原方法。混合神经网络由卷积神经网络（Convolutional Neural Network）与BP神经网络组成。首先,通过训练卷积神经网络初步建立退化图像与真实图像之间的非线性映射关系,再利用训练好的卷积网络模型提取特征向量作为BP神经网络的输入。最后,通过训练BP神经网络实现图像复原。实验表明,该方法具有较高可行性,在小尺度的模糊核上的复原效果优于现有方法。