改进蚁群优化算法的图像边缘检测

为了解决图像边缘检测中的噪声问题,并提升检测效率与检测效果,提出改进蚁群优化算法的图像边缘检测方法。所提方法改进了传统蚁群优化算法直接在像素域进行迭代的边缘检测过程,其将蚂蚁分为探测蚁和寻路蚁,寻路蚁采用数据结构控制思想在原图像上随机选择迭代路线,根据蚂蚁移动角度设置像素点结构搜索路线,在所经过的每个像素点上进行附近像素点结构搜索,快速获取整体图像边缘检测信息,再利用探测蚁将寻路蚁给出的结果进行蚂蚁外激素检测,完成对检测效率与检测效果的改进。实验结果证明,相比传统蚁群优化算法,改进蚁群优化算法在图像边缘检测的效率与效果上均有很大提高。     

一种改进型的Canny边缘检测算法

针对传统Canny边缘检测算法中固定双阈值的问题,本文提出一种改进的Canny算法,运用动态双阈值代替传统Canny算法固定双阈值,在不损失边缘图像准确度和清晰度的前提下,大大减少了边缘数据量。仿真结果表明改进Canny算法对于边缘检测效果较好,数据量较小,是一种具有实用价值的边缘检测算法。     

基于Canny边缘检测的图像预处理优化算法

在图像的边缘检测算法中,Canny算法虽然可以大概勾勒出图片内图像的具体轮廓,但是一些不够清晰的轮廓可能会出现断开的现象,导致局部失真。文中对Canny算法进行进一步优化,采用抑制孤立的弱边缘方法实现边缘检测,图像内一些不太清晰的轮廓可以得以保存,相互连接,使得获得的图像边缘轮廓更加清晰,整体的感观效果更佳。文中给出优化方法并进行仿真验证了结果的有效性。     

基于改进蚁群算法的图像边缘检测研究

针对基本蚁群算法对图像边缘检测效果不理想,提出了一种改进蚁群的图像边缘检测算法。通过改进蚂蚁转移规则和信息素更新策略,使得蚂蚁更具有多样性选择。实验仿真结果表明,该算法可以有效地检测出图像边缘,提高检测的效果。     

一种基于蚁群优化的显著边缘检测算法

该文提出一种基于蚁群优化的显著边缘检测算法。该算法利用相位编组方法计算支持区面积作为描述图像边缘梯度方向一致性的指标,将梯度幅度和支持区面积结合起来形成启发信息和信息素增量的计算方法,采用线性加权方法将信息素、梯度幅度、支持区面积3种信息综合起来得到蚂蚁转移概率,通过引入禁忌表增大蚂蚁的活动范围。实验结果表明：该文提出的算法能够有效检测图像中的显著边缘特征,对多类图像都有良好的适应性,而且收敛速度较快。     

基于蚁群算法的图像边缘提取技术

蚁群算法是根据真实蚁群的觅食原理提出的一种新兴的启发式智能搜索算法.本文将蚁群算法应用于图像边缘搜索提取中,通过蚂蚁的智能特征,自适应的调整自己的行为,对图像边缘进行搜索提取.同时,引入了"精英蚂蚁"的概念,将精英蚂蚁的概念与蚁群算法想结合,优化了搜索过程,并提高了搜索速度.     

基于改进的蚁群算法的边缘连接方法

针对边缘检测得到的边缘通常存在不连续现象,基于改进的蚁群算法理论,在Canny算子得到边缘图的基础上,提出了一种有效的边缘连接方法。该方法利用能见度矩阵设置像素点的初始信息激素并调节信息激素的更新,根据像素点梯度幅值和梯度方向来确定引导函数,从而减小了在算法运行初期定位错误的概率,提高了迭代过程中信息更新的准确性。仿真实验结果表明,该方法能够有效地改善边缘检测后的边缘不连续现象,满足边缘检测的轮廓封闭性要求。     

基于蚁群优化与细菌趋化性的图像边缘检测算法

为解决基于蚁群优化的图像边缘检测算法中信息素的作用不明显,难以获得全局最优解,从而降低目标边缘的检测精确度与效率等问题,提出一种基于细菌趋化性(BC)耦合蚁群优化(ACO)的边缘检测算法.通过细菌趋化性找到最佳解决方案,用于产生信息素的初值;将BC得到的信息素初值作为ACO的初始信息素,计算每只蚂蚁的行走概率,从而选择...     

结合蚁群搜索与边缘检测的红外轮廓提取算法

现有的边缘检测算法对红外图像进行边缘提取的过程中,容易出现边缘模糊和噪声残留等现象;针对这种现象,提出了一种结合蚁群搜索与边缘检测的红外轮廓提取算法。根据小波变换后各高频子带间的相关性,引入了图像的相关性因子来对图像信号进行分类;并对提取的边缘信号进行基于蚁群算法的边缘检测算法进行边缘提取,来去除其中的噪声信号并对弱边缘信号进行保护。实验结果表明,其实验结果与预期效果基本相符,在不同复杂背景的红外图像中,都具有较好的边缘保护效果与抗干扰能力。     

基于改进蚁群边缘检测的车道线检测算法

文章提出了一种基于改进蚁群边缘检测的车道线检测算法。文章使用一种基于细菌趋化性的蚁群优化边缘检测算法对灰度图像进行边缘提取,该算法能够得到更好的边缘连续性和清晰性。通过寻找边缘点最多的一行作为感兴趣区域(Region of Interest,ROI)的上界,经过Hough变换检测直线特征。过滤离群值后通过最小二乘法拟合出车道线。利用真实道路驾驶视频对车道检测算法进行仿真实验,实验结果表明本算法有较好的鲁棒性和抗干扰能力。     

基于感知功能和变步长的蚁群图像边缘检测

针对传统蚁群算法对图像边缘检测需要重复计算、步长单一问题,提出了一种具有感知功能和变步长的蚁群图像边缘检测算法。让觅食蚁具有感知功能和灵活的步长,这样,可以避免大量的重复计算同时让觅食蚁快速搜索到图像边缘。实验仿真结果表明,该算法可以有效地检测出图像边缘,运行时间明显缩短。     

基于侦察和感知能力的蚁群图像边缘检测算法

针对蚁群算法在进行图像边缘检测时,蚂蚁会做大量的无效搜索,增加算法的运行时间。提出了具有侦察能力和感知功能的蚁群图像边缘检测算法,让侦察蚁进行侦察,排除大量的非边缘区域,然后觅食蚁利用感知能力进行搜索图像边缘。通过实验结果表明,该算法可以得到理想的图像边缘,而且算法的运行效率明显提高。     

基于canny算子的改进边缘检测算法

本文提出了一种基于Canny算子的改进边缘检测算法。该算法既具备传统Canny算子信噪比高、定位精确的优点,又具备较强的去噪能力和较好的边缘检测效果。实验表明,本文算法增强了Canny算子在噪声干扰情况下的去噪效果,提高了边缘定位的精确度,能够得到更加完整的边缘轮廓。     

基于FPGA的自适应阈值边缘提取的Canny算法的实现

在数字图像实时处理中,应用Canny算法对梯度幅值图像进行非极大值抑制后,需要先确定高低阈值才能进行边缘提取,而且不同的图像采用的阈值也不尽相同,阈值选取算法过于复杂及处理时间过长等问题,限制了Canny算法在实际中的应用。为了对Canny算法的这些缺陷进行改进,本设计充分利用FPGA并行执行的特点,将自适应阈值Canny算法移植到FPGA上,并通过理论推导获得了更加适应FPGA的算法公式,解决了自适应阈值选取过程时间过长的问题。最终系统测试结果表明,在FPGA中应用canny算法进行图像处理比在上位机中运行的速度提高了近十倍,充分证明了该设计的正确性和实时性。     

改进阈值选取方法的上肢图像Canny边缘检测

目前,研究人员己经针对静止的图像提出了一些边缘检测的算法,如Sobel算子、LOG算子和Canny算子等方法。对于单独的一幅图像,可以通过设定一个合适的阈值来取得较好的检测结果,但在视频图像的处理过程中,每帧图像的前景目标不尽相同,随着时间的推移光照也会发生变化,这些都将导致各帧图像的结构发生改变,传统的静态图像边缘检测算法无法自动设定合适的阈值,因此无法对每帧图像都取得较好的检测结果,得到的结果中必然存在许多背景的边缘和人体内部的伪轮廓。针对以上问题,文章将提出改进阈值的Canny边缘检测算法,它可以自动地获取适合被测图像的阈值用于视频图像的处理,并且能够更好适用于复杂背景中人体边缘点的提取问题。     

基于改进Canny算法的边缘检测技术应用及发展趋势

Canny算法是边缘检测中常用的算法之一,Canny算法经过有效改进,可快速、高效地完成对图像边缘位置的准确识别,因此在计算机视觉、图像分析等领域发挥着较为重要的作用。基于边缘检测的概念及过程,着重介绍了Canny算法的各种改进方法,根据不同的改进方式对Canny算法进行分类与总结,并对改进前后的边缘提取结果进行了对比分析;阐述了改进Canny算法的应用与发展前景,总结了目前所面临的问题以及进一步的研究内容。     

基于Canny算子的图像边缘检测算法

图像边缘检测是一种非常经典的基于计算机视觉技术的图像处理技术,主要是根据图像的某种特定信息,把目标的边缘与周围的区分开来。回顾了几种传统的边缘检测方法,并分析它们的优缺点,详细阐述了Canny算子的检测原理和实验方法。实验结果表明Canny算子是最优的边缘检测算子,能够较稳定地对目标图像进行边缘信息提取,得到较好的检测效果。     

一种固定阈值的毫米波图像边缘检测方法

文章提出了一种固定阈值的毫米波图像边缘检测方法。根据图像的统计特征确定出像素的标准梯度强度，并采用单阈值对图像进行边缘粗定位，然后施行非最大抑制处理和滤波，得到最终检测结果。由于该算法对各幅毫米波图像设置相同的阈值，故能实现自动检测，同时还具有计算量小的特点。实验结果表明该方法进行毫米波图像边缘检测的有效性和可行性。     

基于视觉特性的Kirsch边缘检测算法

边缘是图像中最重要的信息之一,能够以较少数据量表达大量的图像信息。Kirsch算子有较好的检测效果及抗噪能力,但得到的边缘较粗,且阈值是一个不变值,自适应性差。针对以上问题,基于视觉特性理论提出了一种生成自适应阈值的方法,对已有的一种边缘细化算法提出了改进,获得了较好的效果。     

移动机器人非结构场景图像边缘检测算法

针对非结构场景没有规则形状,传统算法不易识别以及红外图像对比度低很难区分灰度值相近的道路、水、天等目标的难点,提出了一种新的改进蚁群算法;新算法针对复杂背景图像的微弱边缘检测问题,围绕现有蚁群算法的关键步骤,从两个方面对其进行了改进,一是对信息素的表达式进行了改进,二是改进了启发信息值的计算方法;通过实例对新算法进行了验证,结果表明,新算法具有边缘检测位置准确、连续性好且干扰少的优点.