基于各向异性和边缘强度修正因子的边缘检测算法

融合了各向同性和各向异性高斯滤波器的边缘检测算法IAGK存在边缘拉伸效应,引起复杂边缘处产生伪边缘,各向同性高斯导数滤波器的引入,也导致算法对噪声的鲁棒性下降.同时,IAGK算法的各向异性因子非最优取值,理论上不具有最优信噪比和最优定位性能.基于自动各向异性高斯核选择最优各向异性因子,并加入边缘强度修正因子修正IAGK...     

基于各向异性扩散方程的Canny边缘检测算法

Canny边缘检测算法由于使用高斯滤波对图像进行平滑,往往使得算法的信噪比和定位精度下降,从而产生一些虚假边缘,使角点变圆。针对Canny算法所出现的问题提出了一种改进方法,运用各向异性扩散方程代替高斯滤波,并对扩散后的图像做图像增强。实验结果表明,该算法有效地提高了边缘检测的准确性,得到了比较理想的边缘检测效果。     

基于各向异性高通滤波的图像边缘检测算法

图像在处理的过程中,总会受到噪声的污染.由于噪声和边缘都是图像的高频分量,在滤除噪声的同时,也破坏了图像的边缘.为了使所提取的图像边缘更加逼近被噪声污染的图像真实边缘且定位精确,提出结合各向异性高通滤波和多尺度积对图像进行边缘检测.首先采用具有各向异性的非下采样Contourlet变换(NSCT)对原始图像进行多尺度、多方向分解,并用多尺度积对变换结果的高频分量去噪,最后利用各向异性高通滤波器长轴与边缘方向之间的夹角确定图像边缘.实验结果表明,所提出的方法抗噪声能力强,计算复杂度低,所提取边缘清晰、光滑且定位精确.     

基于多方向梯度边缘预测器快速边缘检测算法

改进了无损压缩编码中的梯度自适应预测器(GAP)和梯度边缘检测(GED)预测器,并应用在图像边缘检测中,提出基于多方向梯度边缘预测器(MGEDP)的动态阈值控制的边缘检测算法。该方法主要步骤为:1)从图像中心划分四个区域; 2)采用并行技术多个方向应用MGEDP模板,分别预测错误值,利用错误反馈信息构建预测误差图像; 3)利用大津算法计算阈值,分类误差图像边缘; 4)细化边缘; 5)合成边缘图像。实验证明:应用并行技术降低了时间复杂度,以中心逐步向四周选择预测参考点避免了误差繁衍,最终得到清晰完整、细节丰富的边缘图像。     

多方向灰度形态学边缘检测算法

本文介绍了基于灰度形态学的多方向边缘检测算法.基于边缘的多方向特征,构造了多方向的结构元素,并将边缘检测的过程与形态学开闲滤波相结合,提出了一种新的边缘检测算法.该算法在较好地检测图像边缘的同时很好地抑制了噪声.     

基于Canny理论的多方向角边缘检测算法

传统Canny边缘检测算法通过计算水平方向和垂直方向的梯度来分析当前像素点的梯度强度和方向。该算法由于没有充分利用所有邻域的信息，因此在边缘较为复杂的区域结果会出现较大的偏差。该文提出基于方向滤波器的Canny算法，充分利用各邻域的信息，对图像进行了多方向的分析。实例比较证明，应用了方向滤波器的算法提高了边缘检测和保持的能力，有较强鲁棒性。     

基于状态权的小波边缘检测算法

提出了一种基于小波变换和各向异性扩散的图像多尺度边缘检测方法。对噪声图像进行小波变换,得到高频和低频小波系数。对高频小波系数归一化后进行各向异性扩散得到状态权,把该权值作用在原高频小波系数上,得到了既去除噪声又保持结构不变的小波系数。对低频小波系数直接用小波阈值方法去噪,利用小波系数模极大值法对去噪后的高频和低频小波系数进行边缘检测,得到最终的边缘图像。实验结果表明,该边缘检测方法由于结合了小波和各向异性扩散方法,从而有效地抑制了噪声,得到了连续、清晰的边缘。     

基于边缘连续性的边缘检测算法

针对传统的边缘检测算法抗噪能力弱、弱小边缘难以检测以及边缘图像容易出现断层等问题,本文提出了一种新的边缘检测算法。该方法首先对边缘进行提取,然后进行边缘连接。边缘是图像灰度突变的反应,像素点的梯度以该像素点为对称中心,由对称位置灰度有明显变化的像素点的个数加权得到。对梯度较大的像素点计算其方向,通过像素点方向的连续性进行边缘提取。为了克服边缘图像出现断层的缺陷,利用蚁群算法进行边缘连接 。实验结果表明,该方法有较强的抗噪能力,尤其对椒盐噪声,且可以有效地检测出灰度变 化不明显的边缘。     

基于小波分层的多方向图像边缘检测

图像处理中, 边缘检测具有很重要的作用, 它可作为模式识别、图像分割及图像场景分析的基础. 传统的图像边缘算法具有算法简单, 方向适应性强的优势, 然而由于图像边缘具有多样性(方向的不一致性、边缘强弱的不相同等), 这些传统算法不能很好的体现出优越性. 本文结合目前先进的小波理论, 将图像进行小波变换, 得到具有单一性边缘的子图像, 再将传统边缘检测算子的方向性与这些子图像对应起来分别进行检测, 最后分别得到不同强度(层次)图像边缘, 并且这些边缘可以进行合成, 得到较好的图像边缘. 该算法操作简单, 具有很好的效果.     

各向异性高通滤波中一种改进型边缘方向估计算法

由于采用梯度估计法得到的边缘方向往往与实际边缘方向有较大的差距,从而导致高通滤波的效果降低,为了提高高通滤波效果,在研究了滤波器长轴和边缘方向的夹角对滤波效果的影响曲线的基础上,结合坐标变换,提出了一种改进型的边缘方向角估计算法。由于该算法尽可能多地利用了区域中像素点的灰度值参与估计,并选择了1个最优化的方向角估计值,因此估计的边缘方向更贴近实际边缘。实验中,以严格遵循"滤波器长轴与实际边缘方向重合"时得到的滤波效果和实验数据作为理想高通滤波的基准,实验结果表明,采用这种改进型边缘估计算法所得到的滤波效果和实验数据更趋近于理想高通滤波的基准。     

基于改进的Sobel算子边缘检测算法

为了解决传统的Sobel算子算法存在的斜向方向不敏感问题,提出了一种改进的Sobel算法。该算法在Sobel算子的基础上,增加了45°和135° 2个方向模板,并且以斜向边缘为主重新分配了算子模板的权重。算法先将图像转换为灰度图像,然后用改进的Sobel算子得到梯度图像,再采用局部梯度阈值对梯度图像进行细化处理,最后结合斜向边缘方向域值进行二值化,得到边缘图像。仿真实验表明,与传统Sobel算法相比,该算法提高了检测精度,使得边缘细节更丰富、更连续。     

基于边缘方向性的小波边缘检测算法

现有的基于小波变换的图像边缘提取方法会导致边缘细节的损失且边缘位置会发生偏移,因此本文给出了一种改进的边缘检测方法。该算法先对图像进行平滑处理,然后用小波变换提取边缘。传统的平滑方法避开了边缘的方向性,且对图像的边缘保持效果不佳。本文提出了基于边缘方向性的平滑算法,该算法在处理边缘像素时可自动搜索边缘方向进行平滑,用该算法和小波方法结合进行边缘检测。仿真实验给出的实验结果有力地证明了该方法的有效性。     

一种基于方差的图像边缘检测算法

鉴于传统微分边缘检测算法不适用于识别图像中与背景灰度区别较小的弱边缘,提出了基于方差的图像边缘检测算法,并介绍了其原理和算法实现过程。实验表明,该算法能较好检测出背景灰度区别较小的物体边缘,并有一定的抗噪能力,提高了图像边缘俭测效果。     

一种基于方差的图像边缘检测算法

鉴于传统微分边缘检测算法不适用于识别图像中与背景灰度区别较小的弱边缘,提出了基于方差的图像边缘检测算法,并介绍了其原理和算法实现过程。实验表明,该算法能较好检测出背景灰度区别较小的物体边缘,并有一定的抗噪能力,提高了图像边缘检测效果。     

一种改进的基于模糊推理的边缘检测算法

针对基于模糊推理的边缘检测算法中存在的边缘模糊、未去除伪边缘、算法优化效果不佳的问题,提出一种改进的模糊边缘检测算法。给出一种模糊化规则,即利用方向灰度对比度确定边缘隶属度值,增加去除伪边缘的规则,使得边缘细化。实验表明,该算法效果优于模糊竞争算法、Pal King算法和其他一些改进的模糊边缘检测算法。     

基于三次样条插值的亚象素边缘检测算法

文章将灰阶Sobel算子、中值滤波、三次样条插值和边缘细化算法相结合而提出的一种新图像边缘检测算法,该算法在实际应用中具有较好的边缘检测效果,不但能使目标的边缘连续、光滑,而且其几何形状和大小与实际目标更接近,有效地解决了模糊图像边缘检测的问题,并使得边缘定位的精度提高到亚象素级。     

基于小波变换的自适应梯度边缘检测算法

针对传统的单一边缘检测算法抗噪能力差、边缘不连续等不足,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;然后,对小波分解后的图像低频部分用提出的8点邻域自适应梯度算法进行边缘检测,依靠边缘生长方法保证检测出的边缘的连续性,对高频部分用小波变换的局部模极大值算法检测图像的边缘;最后,将各层边缘信息按一定的融合规则融合起来得到最终的图像边缘。实验结果表明,该方法与传统的边缘检测算法相比具有定位精度高、去噪效果好等明显的优点,也能较准确地提取图像的边缘。     

基于图像分块的边缘检测算法

Canny算子高低阈值的选取依赖图像全局梯度信息的统计,图像全局梯度信息和局部梯度信息的分布通常存在差异,导致在局部范围中较明显的边界可能被漏检。针对该问题,提出一种根据图像熵信息对图像进行分块的边缘检测改进算法,并将其用于Canny算子。实验结果证明了该方法的有效性,其检测效果优于直接运用Canny算子。     

自适应的形态学边缘检测算法

针对传统的基于形态学边缘检测算法抗噪能力较差以及易丢失边缘细节的问题,提出一种自适应的抗噪型边缘检测算法。该算法采用多尺度的结构元素进行滤波,根据边缘方向自动选择相应方向的结构元素进行边缘检测以得到更多的边缘细节。实验结果表明,该算法不仅抗噪能力较强,检测到的边缘细节较多,而且还能提高边缘检测效率,是一种有效的边缘检测算法。