垃圾邮件图像中的文字角点检测

为提取垃圾邮件图像中文字的角点信息,提出一种新的基于图像边缘和圆形模板的角点检测算法。算法首先利用彩色边缘检测算子和阈值分割方法获取文字图像的边缘,然后采用圆形模板提取文字的角点信息。边缘检测和阈值分割降低了干扰背景和噪声对角点检测的影响,圆形模板使得角点检测对文字方向变化不敏感。实验表明,在真实的垃圾邮件图像中文字角点定位精度略高于SUSAN算法,并能同时获取角点角度的大小。     

基于自适应ROI和蚁群边缘检测算法的车道线检测

论文针对天气阴暗和复杂背景等情况下难以检测车道线的情况,提出了基于消失点的自适应ROI提取和基于蚁群算法的边缘检测方法。首先进行图像预处理得到灰度化图像,然后使用基于纹理的gLoG滤波进行消失点检测以消除复杂背景的影响,使用蚁群算法对灰度图像进行边缘检测以解决Canny算子对噪声敏感的问题,最后对感兴趣区域进行Hough变换直线检测并且使用极角极径约束Hough变换拟合的直线,最后实现车道线检测的功能。实验结果表明,论文提出的方法在道路环境多变和阴暗天气下能实现很好的车道线检测结果,准确率最高可达95.96%。     

基于数学形态学的复杂背景图像文字检测方法

为解决复杂背景图像中的文字检测问题,提出一种基于数学形态学的复杂背景文字检测方法。采用多尺度多结构的数学形态学边缘检测算子抽取图像边缘,通过由粗到精的策略进行文字检测。实验结果表明,该方法能够提高文字检测的准确率和召回率,同时缩短文字检测时间。     

基于边缘和基线的维吾尔文图像文字定位算法

在基于维吾尔文特殊字体的基础上,提出了一种维吾尔文视频文字定位方法。该方法首先利用RGB彩色边缘检测算子获得水平、垂直、右上方和左上方的边缘图,然后根据加权后的边缘图提取图像的纹理特征,用改进的模糊C均值聚类算法检测出候选的文本区域,根据文本区域的启发式规则,去除虚假的文本区域,最后由维吾尔文本的基线特征判定检测出的区域是否为维吾尔文本区域。实验结果表明,这种方法在简单背景和复杂背景视频图像中均具有较好的效果。     

基于改进SUSAN算法的移动车辆检测

针对复杂行车环境下智能车辆行车安全问题,提出了一种基于改进 Susan 边缘检测算法提取车辆边界特征。首先介绍了SUSAN边缘检测算子的原理,然后提出改进的SUSAN算法,即对待检测像素粗略提取,采用一种自适应选取阈值的方法对候选边缘点检测提取边缘。实验表明,算法能在复杂图像中识别前方车辆,有较高的准确度。     

复杂场景下基于Radon校正与MSER的文本定位算法研究

针对复杂场景下,由于文字背景复杂性而带来的文字定位不准确的问题,提出了一种Radon倾斜校正与MSER(最大稳定极值区域)结合的算法,基于该算法识别出文字在所处复杂背景中的位置。首先,对图像进行预处理,采用Canny算子对图像进行边缘检测,并利用Radon变换对倾斜图像进行校正。然后通过二进小波变换对图像进行增强处理,去除噪声。最后提取MSER,经过粗处理、细处理后,检测出文本所处位置。实验结果表明,基于Radon倾斜校正与MSER结合的方法,能够有效提高文本定位的准确率。     

基于均衡化和K均值改进蚁群算法的边缘检测

研究图像特征的提取,边缘检测是图像处理中很重要的组成部分.在研究灰度图像的边缘检测问题中,根据像素灰度值的分布特点和图像的边缘特性,提出了一种基于直方图均衡化和K-均值改进蚁群算法相结合的边缘检测方法.采用直方图均衡对图像进行增强,以减小目标与背景的相似度,增大了反差,使图像细节清楚,另外采用模糊聚类的K-均值改进蚁群算法实现对图像边缘信息的快速提取.通过仿真表明方法收敛速度快,检测效果好, 具有较强的实用价值.     

基于边缘差分的运动目标检测方法

针对视频序列中的运动目标检测问题,提出了一种新的基于边缘差分的运动目标检测方法.通过改进的边缘检测算法提取视频序列中相邻帧的边缘图像并作差分,采用改进的Otsu法对差分图像进行阈值分割,得到运动目标检测的结果.结合Prewitt算子和Sobel算子改进的边缘检测算法能够获取纹理丰富、细节显著的边缘图像,边缘差分结果更加理想;改进的Otsu法联合类内方差能够很好地抑制噪声,保留更多的纹理细节.实验结果表明,提出的方法能够提取更加完整的目标区域,对背景噪声更加鲁棒.与最近一些同类算法相比,在背景运动和光照变化条件下,该方法具有更加优越的运动目标检测性能.     

结合Powell-RWACO的图像边缘提取算法*

针对蚁群算法在图像边缘提取中经常出现收敛速度慢、检测精度低、停滞等问题,提出一种结合Powell法的排序加权蚁群(Rank Weighted Ant Colony Optimization, RWACO)图像边缘提取算法。该算法将RWACO算法与Powell法相结合,利用RWACO算法进行全局优化,然后将全局最优值作为Powell法的初始点进行局部优化。实验结果表明,该算法兼顾了全局优化和局部优化的优点,与蚁群算法和Canny算法相比,明显提高了图像边缘精度,计算效率比蚁群算法提高了两倍多,并克服了其停滞等缺点,能够高效地检测出图像的边缘。从而验证了该算法的可行性,对今后的图像边缘检测具有参考价值。     

蚁群优化模式下的图像边缘检测算法分析

边缘是图像中最基本、最重要的特征因素之一,也是图像工程中进行图像处理与分析的重要步骤;蚁群算法体现出较强的鲁棒性、正反馈性以及分布式处理等特点,是一种新型的搜索优化算法,因此其在组合优化方面的应用也越来越广泛。本文就以蚁群优化模式为基础,提出一种图像边缘检测算法:文中具体阐述了图像边缘检测的相关概念与常用检测方法;针对实例提出边缘检测蚁群算法,并对实验结果进行分析。     

多蚁群动态协作优化的道路图像分割算法

2维图像的道路检测是移动机器人视觉导航中的难点问题。基于图像分割问题的能量最小化函数,推导出一种适用于群集优化迭代求解的视觉能量最小化模型,并提出一种基于多蚁群动态协作的优化策略,实现道路图像检测的优化算法。该方法根据"分而治之"的原则,先由各蚁群独立优化各自子问题,然后针对约束条件动态变化的特点采用一种新的动态自适应信息交换策略,实现一种近似全局最优的2维道路图像检测。与基于GraphCut的道路图像检测算法相比,动态多蚁群协作优化算法不仅具有更好的检测性能,并且可实现任意类数的检测,适用于包含多种类型的复杂道路场景。     

基于改进蚁群算法的CT图像边缘检测方法研究

将蚁群算法(ACA)应用于CT图像边缘检测领域,提出一种新的CT图像边缘检测方法。为了提高检测效率、精确度和对各类CT图像的适应性,对蚁群算法进行了改进,并针对图像中的不同内容采取不同的转移策略和信息素更新规则。实验结果表明了该算法的有效性,满足了CT图像三维重建的需求。     

航拍图像中绝缘子缺陷的检测与定位

长期暴露在自然环境下的绝缘子易产生自爆缺失故障,对此提出了一种绝缘子缺陷检测和定位的图像处理方法。依据绝缘子在航拍图像中的型态特征,采用最大类间方差法以及中值滤波进行图像预处理,提出基于粒子群优化参数的蚁群算法来检测其中的绝缘子轮廓及其数目,最终实现在原图中标记出缺陷绝缘子所在位置的目的。该方法针对简单背景下绝缘子缺陷的标记具有良好的效果,并为进一步实现复杂背景下绝缘子缺陷检测和定位提供了预研基础。     

基于K-均值改进蚁群优化的彩色图像边缘检测算法

为提高图像边缘检测的精度,提出一种基于K-均值改进蚁群优化（ACO）的彩色图像边缘检测算法。将聚类嵌入到边缘检测中,使这2类图像分割方法有效结合,增强了2类方法的优势。实验结果表明,该算法有效解决了传统蚁群算法（ACO）收敛较慢的问题,较好地保留了图像边缘细节,降低了计算复杂度,与典型分割方法相比具有更好的性能。     

融合模糊聚类的蚁群图像增强算法

为提高边缘检测精准度,保证图片分割后效率和效果,本文提出一种基于融合模糊聚类的蚁群图像增强算法。该算法利用分量灰度值、灰度梯度值和领域特征值进行图像特征提取,得到特征灰度图;然后使用模糊聚类算法对区域蚂蚁进行聚类以提高收敛速度;再采用蚁群算法进行图像边缘检测,检测过程中,使用路径选择策略对蚁群进行有序搜索,提高搜索效率,又根据信息素更新策略进行最优路径信息交流,以达到边缘点提取与检索目的;最后将检索所得灰度边缘图与原图进行重合,得到图像增强效果。实验结果表明,该改进算法在检索时间方面相较于传统蚁群算法提高了20.7%;在精度方面提高了14.8%,图片分割效果更好,纹理更清晰。     

基于改进的边缘检测蚁群算法的大米轮廓检测

在蚁群算法的基础上针对大米轮廓检测提出了一种改进的边缘检测蚁群算法。该算法能有效地检测出米粒的边缘信息,解决了传统大米颗粒检测方法的不稳定和不精确等问题。与此同时,还将其结果与原蚁群算法、Roberts、Sobel和Prewitt等边缘检测算子对图像处理的结果进行了研究对比,实验结果表明,采用改进的边缘检测蚁群算法对大米粒形的检测效果较好,正确率较高,且具有适应性强、效率高等特点。     

改进蚁群算法优化支持向量机的网络入侵检测

针对支持向量机参数优化问题,为了提高网络入侵检测率,提出一种变异蚁群算法优化支持向量机的网络入侵检测模型(MACO-SVM)。首先采用蚁群搜索路径节点代表支持向量机参数,并将网络入侵检测率为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到 SVM的最优参数,建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM的网络入侵检测速度要快于其它网络入侵检测模型,而且提高了网络入侵检测率。     

基于多态蚁群优化的图像边缘检测

为了获得更好的边缘检测效果,提出了多态蚁群优化的边缘检测算法。通过侦察蚁的局部搜索标记侦察素,在搜索蚁进行全局搜索的过程中辅以侦察素的作用,提高算法的寻优能力。实验表明,算法在能够提取出弱边缘的情况下,有效地抑制了噪声和纹理信息。     

基于蚁群优化的图像边缘检测算法

为提高图像边缘检测的精度与抗噪性能,提出一种基于蚁群优化的图像边缘检测算法.将图像像素梯度值和像素圆形邻域统计均值的相对差共同作为蚁群的启发信息,引导蚁群搜索图像边缘.实验结果表明,该算法能最大限度地保留边缘细节,并能抑制噪声和纹理,具有较好的鲁棒性.