一种新的保留细节信息的噪声图像边缘提取算法*

一种用于噪声图像边缘提取的算法首先对噪声图像进行小尺度高斯滤波,使用新型边缘检测算子获取引导信息（边缘检测算子在定位精度、抑制噪声和虚假边缘方面具有很好的性能）,然后对各搜索轨迹进行分段自增强,最后根据自增强累积的程度获取噪声图像中的边缘。实验结果表明,该算法能够有效地从噪声图像中提取物体的真实边缘,并能最大限度地保留细节信息,性能优于经典的边缘提取算法。     

一种从噪声图像中提取边缘的启发式搜索算法

提出一种在噪声图像中基于边缘分段自增强的启发式边缘搜索算法.首先对噪声图像进行小尺度高斯滤波;再使用本文设计的新型边缘检测算子获取引导信息,此边缘检测算子在定位精度、抑制噪声和虚假边缘方面具有较好的性能;然后对各搜索轨迹进行分段自增强;最后根据自增强累积的程度获取噪声图像的边缘.实验结果表明:此算法能够有效地从噪声图像中提取物体的真实边缘,并能最大限度地保留细节信息,其性能优于经典的Canny算子.     

一种基于数学形态学的遥感图象边缘检测算法

为有效提取边缘密度大的遥感图象中的边缘信息,该文提出了一种利用灰度形态变换原理进行检测的有效算法,首先利用开-闭形态滤波器降低输入图象的噪声,然后将二值图象的边缘提取算法推广到灰度图象中加以应用。实验结果证明,此方法优于灰度形态梯度法,同时也优于Canny算子。     

噪声污染图象中的广义形态边缘检测器

在深入地探讨数学形态学在边缘检测领域中的应用的基础上,系统地给出了普通形态差分算子,并提出了一类广义形态差分算子。同时,把提出的广义形态差分算子应用于受噪声污染的图象,以提取图象的边缘。通过实验表明,广义形态边缘检测算子能较好地提取边缘,在抑制噪声对边缘的影响和保持图象的边缘细节上,效果优于经典的边缘检测器和普通形态边缘检测器。     

基于曲率估计的Canny边缘检测算法

为了解决传统Canny边缘检测算法对噪声敏感的问题,针对噪声边缘弯曲度大且弯曲空间范围小的二维空间特性,构造了基于曲线曲率估计的边缘曲度算子,并利用大尺度Canny算法边缘检测结果对边缘曲度算子进行修正,使该算子能够准确地表征噪声强度在二维空间中的分布情况,在此基础上,提出了一种在边缘检测过程中加入边缘曲度算子进行噪声衰减的边缘检测算法. 实验结果表明,算法在有效抑制噪声的同时,保留了变化丰富的细节边缘及变化缓慢的轮廓边缘,检测结果较好地反映了图像的原始结构特征.     

基于自适应免疫遗传算法的边缘检测

为了使检测的图象边缘结构定位好 ,并且产生连续的精细边缘 ,同时能滤除边缘图象中的噪声干扰 ,基于费用函数最小化方法 ,提出了一种自适应免疫遗传算法用于图象的边缘检测 .为了保持群体中个体的多样性 ,同时加快算法的收敛速度 ,该算法中交叉、变异和免疫算子采用了自适应变化而非固定的概率 ,同时免疫算子采用了几何形式的退火选择方案 .由于该算法能够有效地利用局部边缘结构的一些先验知识和特征信息制作成免疫疫苗 ,其局部搜索能力较经典的遗传算法有很大的提高 .该方法用于灰度图象时产生了令人满意的检测效果 ,并对噪声有较好的抑制作用     

基于多尺度彩色形态矢量算子的边缘检测

数学形态学在图象处理中已经得到广泛地应用，但传统的形态学常应用于二值图象处理，后来发展应用到灰度图象处理，对于其用于彩色图象处理的研究还不是很多，通过对传统的数学形态学的几何描述，以及对目前形态学在边缘检测中的应用分析，提出了一种新的多尺度的彩色形态矢量边缘检测算子，该方法是利用不同尺度形态边缘检测算子来检测不同尺度下的边缘强度，再对不同尺度下的边缘强度图进行合并，从而得到新的边缘强度图象，利用该算法对实际图象和合成图象进行了实验，将实验结果与传统的边缘检测算法相比较，由于新的多尺度彩色形态矢量算子能检测出更多的细节边缘，因此将更有利于图象的进一步分析处理，同时将实验图象人为地增加噪声后，再利用该算法进行实验，其结果表明，该算法对噪声具有很好的鲁棒性。     

炭制品X光图像的缺陷边缘提取

针对炭制品X光图像的特点,为快速准确地提取缺陷,提出了基于迭代的阈值构造方法和数学形态学相结合的边缘提取算法。通过对传统形态学边缘提取方法的分析,构造了基于形态学多结构元边缘提取算子,该算子既有良好的边缘提取特性,又很好地解决了噪声抑制和保持图像边缘细节之间的矛盾。在此基础上,为进一步减少噪声干扰的影响,采用基于迭代的分割阈值从图像中提取出缺陷区域,然后利用多结构元边缘提取算子成功提取了缺陷区域的边缘,并从理论上分析了噪声对缺陷边缘提取的影响情况。实验结果表明,与目前的边缘检测算子相比,该法能有效抑制噪声干扰的影响,保证了缺陷边缘的连续性、完整性和精确定位。     

图像边缘检测技术的改进

比较了Roberts算子、Sobel算子、Gauss－Laplace算子、Canny算子等几种传统的边缘检测技术,指出这些算法在边缘检测精度和抗噪声性能方面存在一定的问题。在分析以上算子的缺陷后提出改进的方法。通过迭代算法寻找最佳阈值,增强了目标和背景的对比和目标边缘,准确提取目标区域,并结合形态学进行轮廓提取,有效减少噪声对灰度门限值的影响,通过对实验图像的分析表明,改进的检测算法对图像边缘提取具有较好的检测精度,抗噪能力和准确性。     

植物染色体图象的边缘提取

本文研究了在退化图象中提取边缘的一种算法.通过考察局部窗口下的边缘特性和噪声的统计性质,建立了图象退化过程的数学模型,引入了关于图象灰度值直方图的一维噪声变换,把边缘提取描述为关于噪声变换的非线性绝对不变特征提取.利用泛函分析理论,导出了一组边缘提取算子,把这组算子应用于人工模拟图象和大麦染色体图象,取得了良好的结果,从而为染色体分析奠定了基础.     

基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法

针对现有梯度算子在图像边缘检测中存在的对噪声比较敏感的问题,提出了一种基于改进高斯-拉普拉斯算子的图像边缘检测方法。噪声图像中的边缘检测是一项关键任务,然而目前常用的几种梯度算子,包括已经提出的高斯-拉普拉斯算子都没能取得理想效果。提出的方法对传统的拉普拉斯边缘检测算子做了改进,并与高斯滤波器相结合。首先,应用高斯滤波器来平滑图像,抑制噪声。然后基于拉普拉斯梯度边缘检测器进行边缘检测。最后在标准图像上进行评估,评估结果显示,提出的边缘检测方法所获得的峰值信噪比(PSNR)和均方误差(MSE)均优于其他几种对比方法。     

基于预测的自适应边缘检测新方法

图像的边缘是图像最基本的特征之一,边缘检测是提取图像特征的重要手段.首先利用梯度调节预测器(Gradient Adjusted Predictor:GAP)对图像进行预测,然后针对预测得到的误差图像,提出了一种基于梯度均值直方图的自适应阈值选取方法,利用得到的阈值来分类边缘与非边缘;为了获得单像素边缘,利用细化算法对边缘图像进一步细化,得到最后的边缘图像.仿真结果表明,与其它方法相比,本文方法检测到的边缘边界特征细腻、连续,定位精度较高,得到的实验结果比较理想.     

二进小波与改进的形态学融合的边缘检测算法

针对小波变换边缘检测算法抗噪能力差、图像边缘不连续等缺点,提出一种将二进小波变换与形态学算子融合的边缘检测算法。利用新构造的二进小波滤波器边缘检测算法对含噪图像进行边缘检测,可以保留较多的边缘细节;利用新设计的多结构抗噪形态学算子对含噪图像进行边缘检测,抑制噪声良好;将两种算法得到的边缘结果按一定规则进行融合,利用Laplace算子锐化融合后的图像,得到最终的边缘检测结果。实验结果表明,该融合算法在抑制噪声的同时显示较多的图像细节,检测的图像边缘连续且准确。     

一种综合的有噪图象边缘提取方法

有噪图象的边缘提取是一个难点。经典的边缘检测方法由于引入了各种形式的微分运算，从而必然引起对噪声的极度敏感。为此，本文提出了采用分形方法并综合传统方法以解决低信噪比图象的边缘检测问题，并给出了自然场景中的人造物体边缘检测的实例。     

基于形态学滤波结合LOG算法的边缘检测

边缘检测是一种尝试从图像中提取有效部分的方法,主要捕获图像像素的急剧变化和检测重要的区域。为了更有效地进行边缘检测和抑制噪声,文章中对常规形态学边缘检测进行了改进,采用了多阈值分解对灰度图像进行二值化处理和分解,之后对图像进行了基于二阶拉普拉斯算子的LOG边缘检测,在初步提取出图像边缘后,又进行了多结构形态学滤波来实现对图像边缘进行进一步边界增强。实验结果表明,该法保留了更完善的边缘信息,有效消除了叠加噪声。     

噪声图像中边界提取方法的研究

在噪声图像中如何有效的提取边界是图像分析中的难点，常用的边界提取方法往往对噪声对敏感，文章针对这一情况采用了保持图像细节的多级组合滤波器先将噪声从图像中分离出来，然后再对图像进行边界提取，实验表明，该方法可以在有效的抑制噪声的同时提取出有意义的边界。     

一种新的渣土车车轮带泥检测方法

提出了一种新的车轮带泥图像检测方法。通过改进直方图方法、在相似度计算中考虑了像素的位置信息,从而提出了直方图交叉相似度计算的新方式;并综合考虑小波变换法在纹理检测上的优势,给出了图像组合相似度的新定义,基于此,提出了基于小波变换提取边缘特征与改进的直方图交叉方法相结合的相似度比较EHSC算法,通过EHSC算法计算组合相似度,并根据相似度阈值来最终选择图像。EHSC算法具有时间开销小、鲁棒性好等特点。通过在真实采样的现场图像上实验,实验结果表明,该方法能有效地进行带泥车轮图像的检测,具有较高的检测效率和比较强的实用性。     

An edge detection based noise removal algorithm

We present an image denoising method using the edge map of an image. The denoised image is considered as a linear combination of the observed image and its average value, where the coefficients are controlled by a local edge detector. The parameters are set on suitable values related to noise energy computed by the curvature norm of the original image. Implementation can be done in a single iteration and the speed of the process is reasonably high. Noise reduction quality of the introduced method is compared with Wiener and Total Variation based filters for some images. The method appears to be easy, fast and useful for very noisy images. The differences between our method and the patent 6229578 “Edge Detection Based Noise Removal Algorithm” are explained.     

Hypothesis Testing for Fourier Based Edge Detection Methods

Edge detection is an essential task in image processing. In some applications, such as Magnetic Resonance Imaging, the information about an image is available only through its frequency (Fourier) data. In this case, edge detection is particularly challenging, as it requires extracting local information from global data. The problem is exacerbated when the data are noisy. This paper proposes a new edge detection algorithm which combines the concentration edge detection method (Gelb and Tadmor in Appl. Comput. Harmon. Anal. 7:101–135, 1999) with statistical hypothesis testing. The result is a method that achieves a high probability of detection while maintaining a low probability of false detection.