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。     

基于直方图均衡化的Robinson图像边缘检测算法

针对图像边缘检测,现有Robinson相关算法存在效率低、阈值设定随机性大、易出现伪边缘等问题,提出一种改进Robinson的图像边缘检测算法;该算法利用直方图均衡化对图像进行增强,然后将Robinson算子原有的八方向梯度依照两两垂直原则组合为八组,分别计算每组梯度的范数,并取其最大值作为该像素点的梯度;最后取整幅图像的灰度均值作为阈值来识别图像的边缘像素和背景像素;实验表明,相对于现有相关算法,该算法检测结果更加清晰完整,同时避免了传统算子人为设定阈值随机性大的问题。     

基于Canny 算子的大米边缘检测

为解决传统边缘检测算法对大米图像边缘检测精度低以及对噪声敏感的问题,提出一种改进的Canny边缘检测算法。该方法首先采用非线性扩散滤波减少图像噪声,同时保持图像的边缘信息;在邻域梯度幅值计算中,考虑像素对角线方向的梯度,进一步抑制噪声的影响;最后采用最大类间方差法选取阈值,从而提高对不同图像的自适应性。通过对实验图像的分析表明,本文的改进算法运用到大米图像边缘提取中效果显著,满足大米质量检测和分级的要求。     

一种基于局部多结构元素形态学的边缘检测的修正算法

在前期工作的基础上 ,提出了一种基于局部多结构元素形态学的边缘检测的修正算法 .该算法根据图像中噪声和边缘形态的不同 ,建立了多个结构元素 .利用基于视觉模型的边缘阈值选择策略确定图像中梯度变化的像素点 ,并对其采用二值形态学的腐蚀操作 ,在进行腐蚀操作时 ,放宽了结构元素中相同灰度像素点的判别条件 ,从而更好的选择出图像边缘 ,滤除噪声 .实验表明 ,本文算法不仅具有很好的边缘提取能力 ,而且具有很强的抗噪能力     

改进的TV模型图像修复算法

分析了基于TV模型的图像修复算法,针对各参考点梯度模值的大小不同,对原始模型进行了改进.该算法通过计算待修复区域像素点的梯度信息来构造一个扩散函数,利用其控制各参考点对待修复区域的贡献值,然后再进行加权处理.实验结果表明修复变化剧烈和有较大破损的图像效果较好,图像边缘清晰,过渡自然.     

基于概率密度梯度的边缘检测

提出了一种新颖的基于概率密度梯度的边缘检测算法.新算法通过估计图像中各像素点的概率密度梯度得到图像的概率密度梯度场,然后根据图像的边缘点在概率密度梯度场中具有两侧梯度方向相反的特性实现边缘检测.与现有的算法相比,新算法检测得到的边缘点具有尺度不变性,并可以直接从图像中检测出具特定尺寸区域的轮廓,完好地保持物体的形状.     

基于梯度向量的交互式CT图像分割

首先采用旋转模板对图像进行平滑去噪处理，同时得到各像素点的梯度值方向，然后根据梯度值方向采用Are Weights方法计算各点的梯度值，这些方法的结合可以有效的降低噪声对灰度值计算的影响，得到了较好的梯度值图像。根据改进后的边缘检测方法，对边缘梯度信息进行最优化计算，选择最优的边缘点，最后将这些边缘点进行曲线拟合。实验结果显示该方法能有效地分割出胆囊图像。     

基于局部特征的图像边缘检测

针对传统边缘检测对噪声较敏感且不能准确定位的不足,分析了图像边缘邻域像素之间的关系,提出了基于局部特征的图像边缘检测方法,建立了判断该像素点是否位于边缘上的准则函数。本方法以像素点为研究对象,检测的边缘可能为噪声点或伪边缘点,因此利用图像边缘连续性和噪声点孤立性的特点,运用形态学提取图像边缘并克服了噪声对边缘检测的影响;然后运用形态方向梯度去除伪边缘点。实验结果表明该方法能够准确地检测出图像的边缘,并克服了传统利用微分算子检测边缘的不足。     

基于细菌觅食与改进Otsu算法的自适应阈值边缘提取

针对Canny算子在阈值偏高或偏低的情况下会产生边缘丢失或伪边缘的缺陷,提出了一种基于细菌觅食算法与改进最大类间方差法（Otsu算法）相结合的自适应阈值Canny算子。根据图像的梯度幅值直方图将像素点进行分类,并基于改进的Otsu算法定义描述类间方差的适应度函数,通过细菌觅食算法自动获取使适应度函数最优的高低阈值。实验结果表明,该方法在目标边缘提取的准确性上优于传统算法。     

基于差分分层噪声检测的开关中值滤波算法

为了精确地检测出图像中的脉冲噪声并滤除,提出了一种差分分层噪声检测的开关中值滤波算法。该算法对噪声检测窗口内像素点按灰度值大小排序,通过差分方法划分出高、低阶噪声块和信号块3部分。当待测像素点属于信号块时视其为信号点;否则,视其为可能噪声点。利用可能噪声点与信号块中与其灰度值最临近的信号点的灰度的差定义了梯度函数,在梯度函数的基础上定义了用于对可能噪声点进行二次检测的模糊隶属函数,对滤波方法进行模糊加权,得到一种加权滤波方法。实验结果证明了该算法对脉冲噪声有很强的抑制作用。     

一种离焦模糊图像边缘检测新方法

根据离焦模糊图像的特性,提出一种新的离焦模糊图像边缘检测算法,该算法通过定义一个新的边缘检测算子,利用新算子对图像各像素进行卷积,求得各像素的梯度和方向信息,根据梯度和方向信息进行阈值化处理,得到离焦模糊图像的边缘检测图像。实验结果表明,对于离焦模糊图像,利用新的边缘检测算子进行边缘检测,能够较好地检测被模糊而弱化的边缘,检测效果符合人眼视觉感受。     

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.     

基于支持向量机的多特征彩色图像边缘检测

针对在特殊领域中彩色图像边缘检测,不仅需要准确地检测到目标边缘而且需要去除非目标边缘,提出了一种新的支持向量机多特征彩色图像边缘检测方法.这种方法根据彩色图像边缘的特点,在图像亮度和色度通道上结合像素加权梯度值和像素邻域相关信息构建多维特征向量,通过训练的支持向量机可以准确识别出目标边缘.实验结果表明,该方法比传统边缘检测方法具有更好目标边缘识别能力.     

Digital step edges from zero crossing of second directional derivatives

We use the facet model to accomplish step edge detection. The essence of the facet model is that any analysis made on the basis of the pixel values in some neighborhood has its final authoritative interpretation relative to the underlying gray tone intensity surface of which the neighborhood pixel values are observed noisy samples. With regard to edge detection, we define an edge to occur in a pixel if and only if there is some point in the pixel's area having a negatively sloped zero crossing of the second directional derivative taken in the direction of a nonzero gradient at the pixel's center. Thus, to determine whether or not a pixel should be marked as a step edge pixel, its underlying gray tone intensity surface must be estimated on the basis of the pixels in its neighborhood. For this, we use a functional form consisting of a linear combination of the tensor products of discrete orthogonal polynomials of up to degree three. The appropriate directional derivatives are easily computed from this kind of a function. Upon comparing the performance of this zero crossing of second directional derivative operator with the Prewitt gradient operator and the Marr-Hildreth zero crossing of the Laplacian operator, we find that it is the best performer; next is the Prewitt gradient operator. The Marr-Hildreth zero crossing of the Laplacian operator performs the worst.     

基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨

针对深度图像分辨率低、深度不连续性模糊问题,提出一种基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨方法。为了探究深度图像非局部相似块之间的相关性,提出了形状自适应的非局部回归。该方法对每个像素点提取其形状自适应块,并根据形状自适应块构建目标像素的相似像素组;然后针对相似像素组中的每个像素,结合同场景的高分辨率彩色图像获得非局部权重,从而构建非局部回归先验。为了保持深度图像的边缘信息,对图像梯度的非局部性进行探究。不同于总变分（TV）正则化对所有像素点梯度的零均值拉普拉斯分布假设,该方法利用深度图像梯度的非局部相似性,用非局部块估计特定像素点的梯度均值,并用学习到的均值来拟合各像素点的梯度分布。实验结果表明,相较于基于边缘不一致性评价模型（EIEM）,所提方法在Middlebury数据集上的2倍和4倍上采样率的平均绝对值差（MAD）分别下降了41.1%和40.8%。     

基于最大目标函数的医学图像边缘检测

鉴于医学图像特点和传统算法的缺点,提出一种新的医学图像边缘检测算法,该算法通过考察3×3模板的理想边缘结构特征,将模板像素沿边缘方向分为两个集合,通过距离度量函数构造适当的目标函数,计算四个方向的目标函数值,从而获得最大目标函数值,并与给定的阈值比较,应用非极大抑制方法,判别该象素是否为边缘点,最后进行双阈值连接,可得到单像素边缘图像。仿真结果表明,该算法能够有效检测医学图像边缘,所检测出的图像边缘细节丰富,单像素宽,定位准确。     

基于混合核函数的支持向量机的图像边缘检测方法

研究了基于混合核函数的最小二乘支持向量机(LS-SVM)的图像边缘检测技术,利用LS-SVM对图像像素邻域的灰度值进行了曲面拟合,通过混合核函数推导出了图像的梯度算子和零交叉算子,并结合梯度算子和零交叉算子实现了图像边缘定位。     

基于灰预测模型的边缘检测新方法

提出了一种基于灰预测理论的边缘检测新方法。该方法基于GM(1,1)模型，根据图像不同区域间灰度级有较大变化的特性，由同行(列)待检测像素之前的若干像素灰度值建立灰预测模型，并利用模型预测此像素灰度值，比较预测灰度值与实际灰度值之间的差值，由差值来判断该像素是否为边缘像素。通过对不同类型测试图像利用本算法进行边缘检测效果比较表明，该算法能取得比较好的效果。