共查询到17条相似文献,搜索用时 125 毫秒
1.
2.
边缘检测是图像分析识别必不可少的环节,是一种重要的图像预处理技术。虽然传统的算子算法对边缘的检测速度快,但其得到的往往是断续的,不完整的边缘信息,且这类检测方法对噪声比较敏感,在检测噪声污染图像时会得到许多虚假的边缘。利用CP神经网络对灰度图像的边缘进行检测,但考虑到神经网络训练量过大的问题,先利用传统算子对图像进行边缘处理,将处理后的图像做为神经网络的输入。实验结果表明,该方法得到的边缘图像边界封闭性好,具有较好的抗噪特点。 相似文献
3.
基于改进BP神经网络图像边缘检测的研究 总被引:6,自引:0,他引:6
针对传统的边缘检测算法容易产生边缘断裂、不连续等缺点,文中将动量法与自适应学习速率结合起来对传统的BP神经网络进行了改进,并利用该方法对二值图像进行了边缘检测,然后使用神经网络的并行处理模式对灰度图像的8个位面分别进行了检测,最后将提取的结果综合成灰度图像的边缘,实验结果表明,该方法对二值图像和灰度图像的边缘检测较传统的检测方法具有更好的效果. 相似文献
4.
一种混合神经网络在颗粒图像边缘检测中的应用 总被引:1,自引:0,他引:1
本文提出了一种应用混合神经网络进行颗粒图像检测的方法。混合神经网络由用于对边缘候选图像的二值输入模式进行聚类特征提取的自组织竞争子网络(ASCSNN)和用于获取颗粒图像边缘矢量信息的BP子网络(BPSNN)组成,边缘候选图像是通过采用基于灰度极小值算法提取的边缘候选象素获得。神经网络以边缘候选图像中的边缘候选象素及其邻域象素的二值模式作为训练样本。对经过噪声污染的图像进行实验表明,该方法获得的边缘图像封闭性好、边缘描述真实,抗干扰能力较强,适用于颗粒图像的边缘检测。 相似文献
5.
6.
7.
8.
随着GPU的发展,其计算能力和访存带宽都超过了CPU,在GPU上进行通用计算具有成本低、性能高的特点。细胞神经网络由于其特有的性质,非常适合利用GPU进行并行计算,因此,该文提出了利用CU-DA实现的基于GPU的细胞神经网络异构算法,并应用在图像边缘检测上。实验结果证明,与传统的利用CPU实现的边缘检测方法相比,在速度上,基于GPU实现的图像边缘检测方法提高了数十倍,为细胞神经网络在实时图像、视频处理上的应用提供了新的方法。 相似文献
9.
基于提升小波的自适应阈值边缘检测新算法 总被引:1,自引:0,他引:1
针对传统的单一边缘检测算法抗噪能力差、边缘不连续等缺点,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;对分解后的图像低频部分用提出的改进提升算法进行边缘检测,对高频部分用小波变换的局部模极大值算法检测边缘;通过将各层边缘信息按一定的融合规则融合起来得到一个组合边缘,最后细化图像边缘。实验证明,这种方法相对于传统小波分析有着计算量小,计算速度快和要求存储空间小等诸多优势,同时,也能做到不丢失图像信息,保证了边缘的连续性和封闭性,检测效果较好。 相似文献
10.
该文用多种滤波器从图像中提取灰度分布特征;针对不同类别的边缘,分别用不同的灰度分布特征组合进行检测;把不同类别边缘的检测结果集成以实现图像边缘检测。本文所提方法把边缘检测转化为模式识别问题,从而增加了边缘检测的灵活性,同时也提高了检测质量。实验结果表明该方法具有较好的检测效果和抗噪能力。 相似文献
11.
针对现有图像边缘提取算法存在的噪声平滑能力与边缘精确定位之间的矛盾,以及红外图像自身信噪比低、视觉效果模糊和对比度差等缺陷,利用模糊神经网络的学习、自适应和模糊处理等优点,提出了一种基于模糊神经网络的红外图像边缘提取方法。计算各像素点8个方向的基本梯度、左关联梯度和右关联梯度,并将其组成梯度数组,把8个方向的梯度数组作为模糊神经网络的输入信号,通过学习和模糊处理最终可获得相对精确的红外图像边缘。实验结果表明,该方法抗噪能力强,边缘保留完整且为单像素宽,在处理红外图像边缘提取上要优于其他算法。 相似文献
12.
13.
14.
针对彩色图像双边滤波去噪方法存在的不足,本文提出一种边缘检测与双边滤波相结合的彩色图像去噪方法.首先利用细胞神经网络(CNN)模型导出一种新的彩色图像分块自适应边缘检测算法,继承了CNN灰度边缘检测算法定位准确的优点,又弥补了CNN现有算法不能直接处理彩色图像的空白.接下来提出一种针对图像增强的边缘滤波算法,通过两级边缘检测满足去噪不同阶段对边缘检测的不同要求.在此基础上,用改进的双边滤波器对彩色图像进行去噪,通过非抗噪边缘图对噪声范围进行定位,以缩小双边滤波的范围,减少去噪过程带来的图像模糊,并且对双边滤波加权平均方式进行改进,减小噪声点本身的权重,降低高频噪声的影响.最后根据滤波后的去噪边缘图对彩色图像进行增强.实验结果表明,文中方法在有效去除噪声的同时保护和增强了图像中的边缘. 相似文献
15.
研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。 相似文献
16.
为了解决卷积神经网络在进行连续行人检测时, 检测行人速度较慢, 达不到实时性要求的问题, 采用基于历史信息的区域卷积神经网络行人检测算法, 利用前一幅图像中的检测结果对当前图像的检测过程进行优化, 将前一帧的检测结果作为对当前帧提取推荐区域的参考信息, 并使用当前帧与前一帧的灰度值差异图对当前图像的卷积特征进行过滤, 以缩小滑动窗口检测时的搜索区域。在加州理工学院行人检测数据集上进行了检测实验。结果表明, 结合历史信息的算法与先进的算法相比检测速度提升了2.5倍, 同时检测准确率提升了1.5%。该算法实现了实时行人检测, 设计的网络能有效检测小目标行人。 相似文献
17.
由于制作工艺的限制和器件材料的不均匀性,红外图像在一定程度上存在非均匀性,导致目标探测和识别能力下降,严重的情况下甚至无法探测目标,因此,红外图像必须经过校正才能发挥出红外探测器对温度的高灵敏度性能。基于神经网络的非均匀性校正技术是校正非均匀性的有效方法,但在去除非均匀性噪声的同时,会弱化图像信息边缘,导致图像模糊,甚至出现严重的鬼影。为了改善红外图像的非均匀性校正性能,以神经网络模型为架构基础,利用引导滤波算子作为期望真值模板,替代传统的神经网络模型中的均值滤波模板,同时增加鬼影抑制算法,在去除非均匀性噪声的同时,达到抑制鬼影、边缘保真的效果。实验结果表明,提出的非均匀性校正算法能够在保留图像细节特征、抑制鬼影的同时,很好地校正了红外图像的非均匀性。 相似文献