基于Sigmoid函数拟合的亚像素边缘检测方法

亚像素边缘检测技术是采用图像处理软件算法来提高检测精度的有效途径,因而在基于计算机视觉的检测中具有重要地位。本文对矩法、拟合法和插值法等常用的亚像素边缘检测算法的原理、优点和不足进行了分析。提出了Sigmoid函数拟合的亚像素边缘定位算法,该算法采用Sigmoid函数拟合边缘模型,然后利用图像边缘灰度信息,对该模型进行非线性最小二乘拟合,求得边缘的亚像素位置。实验中测得本文提出的基于Sigmoid函数拟合的亚像素边缘定位算法定位精度为0.045像素,但检测的速度比灰度矩提高了一个数量级,比空间矩、Zernike矩和插值法提高了两个数量级。理论分析和实验结果表明：本文提出的亚像素定位算法能较好的满足影像测量中的稳定可靠、精度高及实时性的要求。     

HSV空间彩色X线医学图像增强研究

提出了一种HSV空间彩色X线医学图像增强方法。该方法首先将医学图像转换到HSV颜色空间,然后在HSV空间中分别用Sigmoid函数和线性变换函数对其亮度和饱和度进行增强,再把增强后的图像转换到RGB颜色空间进行显示。在重新定义的Sigmoid函数中,通过引入两个可调节的参数a和b,较好的提高了算法的有效性;在线性函数中引入参数k1和k2,提高了算法的通用性。实验表明算法具有较好的增强效果。     

α稳定噪声下最小均方Sigmoid误差自适应时间延迟估计

为解决脉冲噪声下最小均方误差自适应时间延迟估计算法估计性能的退化问题,以对称α稳定分布模型描述脉冲噪声,提出最小均方Sigmoid误差自适应时间延迟估计算法.该算法通过对误差信号求取Sigmoid变换,抑制了较大误差对估计结果的影响.以最小均方Sigmoid误差代替最小均方误差作为优化准则,迭代模拟信道延迟效应的滤波器权系数,其收敛时峰值的位置就是所要估计的时间延迟.仿真结果验证了该算法在高斯和非高斯对称α稳定分布噪声条件下的优良估计性能,说明最小均方Sigmoid误差是一种韧性的最优准则.     

Sigmoid函数及其导函数的FPGA实现

通过对Sigmoid函数进行分析,构造一张自变量在[0,4],函数值在[0.5,1.0]的查找表,将其与设计的运算模块相连,实现Sigmoid函数及其导函数.实验表明,该方法在确保快速运算的同时节省了芯片的资源.     

基于Sigmoid曲线拟合的亮度可控土壤图像增强

图像在相同条件下表征土壤特征会提高土壤图像识别土种的精度。对自然环境下机器视觉采集的土壤图像亮度可控增强,将不同光照条件采集的土壤图像转换为近似于该土壤在某些特定光照条件下采集的具有一定亮度的真实土壤图像,能消除或减弱光照对后续土壤图像土种识别的影响。因此,应用Sigmoid曲线对土壤图像亮度(Y)分量的累积概率密度(cumulative distribution function, cdf)曲线拟合;然后,构建目标亮度逼近优化模型,迁移拟合的Sigmoid曲线逼近目标亮度;再依据像素的邻域信息对相同亮度的像素排序、迁移,实现土壤图像的亮度可控增强;最后,利用高斯卷积核提取色调(U)、饱和度(V)分量的低频分量,并基于色比不变性原理与原始土壤图像的邻域信息对增强土壤图像的U、V分量高低频分别增强,完成颜色校正,并融合增强亮度分量,获得增强的彩色土壤图像。实验结果表明,提出算法对完全重合的亮度不同成对真实土壤图像做有目标增强实验,增强后的土壤图像与真实目标土壤图像对应像素Y、U、V分量差的标准差均值分别为14.313 7、1.323 2、2.110 5,峰值信噪比均值为29.820 9;...     

一种非线性失真的PCB图像配准方法

建立边缘对准度函数,通过抽样特征点对样本PCB图像与待测PCB图像进行全局配准.由于相机镜头畸变导致图像非线性失真,全局对准后,局部配准存在偏差.提出分块对准策略,解决局部配准问题,同时针对局部配准后,块与块的交界处存在断裂现象,采用最小二乘法进行边缘拟合,实现全局PCB与局部PCB图像无缝配准.     

基于相位一致性和Hough圆的贴片机视觉定位系统的研究

针对贴片机关键技术中的视觉定位进行了研究。由于图像的亮度对定位的影响比较大,给出一种结合相位一致性与Hough圆的方法。利用相位一致性分别对采集到的PCB板上的一对对角线上的两个Mark圆进行边缘检测,用Hough圆变换分别检测两个Mark圆在图像坐标系下的圆心坐标。由两坐标系间的关系,将其转换成机器坐标,计算出PCB板的偏转角;再以其中的一个Mark圆为参考点,利用PCB板中的数据库信息,计算出PCB板上各元件的实际机器位置,上传到控制机。实验结果表明,这种方法定位精度较高,对图像的亮度和对比度影响较小,抗干扰性好。     

小波变换用于多分辨率的图像边缘检测

提出了一种用小波变换检测图像边缘的新方法。它基于小波变换多尺度方法分析图像局部的直方图内的信息,通过对小波变换后直方图内信号零交叉点的检测,得到一序列门限值点用于描述图像的边缘即可检测出图像边缘。选取不同的尺度可得到不同分辨率的图像边缘。文中介绍了小波变换用于图像边缘检测和基本原理,给出了小波变换的快速算法和实际检测结果。     

基于方向小波变换的图像边缘检测

研究了方向小波变换的原理和特点,提出一种基于方向小波变换的图像边缘检测方法。首先对图像进行多个方向的小波变换,再求小波变换结果的平均值,最后对平均值进行阈值处理得到边缘检测结果。实验表明,方向小波变换充分体现了图像的方向性,能检测出某一方向的边缘,具有良好的边缘检测效果。     

小波变换模极大值多尺度边缘检测算法分析

文章利用小波变换和多分辨率分析的性质,从多尺度角度对图像边缘检测算法进行分析,总结出小波变换模极大值多尺度边缘检测算法。通过对标准图像Lena进行小波变换模极大值多尺度边缘检测结果发现,其比小波变换模极大值边缘检测算法和Canny算法在部分边缘检测中得到了更多的细节信息,使图像变得更真实。     

基于引导图像的边缘噪声滤波算法

由于通常的邻域运算会改变图像边缘点的灰度值,使图像的边缘变得模糊,为了改善这一现象,提出了一种基于引导图像的边缘噪声滤波算法。该算法由局部线性模型推导而来,将原始图像或其他变换形式定义为引导图像。通过对引导图像进行分析,并调节正则化参数,利用引导图像掩模对图像的边缘进行平滑处理,有效地去除了噪声。通过与其他四种常用的滤波算法进行对比实验,表明该算法的均方误差MSE仅为0.0015,峰值信噪比PSNR为28.26,远远优于其他四种常见滤波算法,不仅对图像进行了平滑去噪,在很大程度上还保护了图像的边缘信息。     

多阶段边缘检测算法

提出一种新颖的图像边缘检测算法,包括边缘检测和边缘增强两个阶段.在边缘检测阶段,新的检测算子不仅可以克服传统算子对边缘拐点、终点的漏检现象,还可以有效地去除噪声,从而更加精确地定位边缘.在边缘增强阶段,引入Hopfield神经网络,通过迭代计算网络优化的能量函数,逐步地弥补缺失边缘、消除假边缘,达到边缘增强的目的.最后针对不同类型图片进行边缘检测,得到较好的结果,证明了该算法的可行性.     

一种图象归一代新算法

介绍了一种综合利用图象力矩及图象边界提取等方法来实现对数字图象的大小归一化的算法．先对原始图象（待处理图象）和标准图象的灰度日进行边界提取,消除噪声及图象背景的影响．在此基础上,分别计算出原始图象和标准图象的力矩,即可求得大小变化因子．实验结果表明,此算法可获得较好的归一化效果．     

彩色图像的边缘检测

彩色图像的边缘检测算法有很多,但检测结果仍存在细节丢失、抗噪性差的问题。本文提出一种新的彩色图像的边缘检测算法。首先,在RGB空间下,采用矢量梯度算法,分别在三个通道中求出像素的梯度值。然后,采用自适应双阈值算法,对梯度值进行判断,筛选出图像的边缘点。最后,只采用筛选后的边缘点的信息,构造新的模糊矩阵的隶属函数,从而形成新的模糊算法。利用该算法,检测出最终的图像边缘信息。实验证明,该算法得到的图像检测结果,不仅对比度高、边缘连续、细节保存完整,而且具有较强的抗噪性。     

一种基于数学形态学的多形状多尺度边缘检测算法

基于数学形态学的边缘检测过程中,不同形状、不同尺度的结构元素在滤除噪声和保持边缘细节方面的作用是不同的,为此提出了一种基于多形状多尺度结构元素的自适应边缘检测算法,分别使用不同方向和大小的结构元素提取图像边缘,通过计算信息熵自适应确定权重系数,对多形状结构元素和多尺度结构元素检测的边缘做融合处理.实验结果表明,该算法与几种经典边缘检测算子相比,有效抑制了噪声影响,提高了检测精度,对各种不同图像具有很好的鲁棒性.     

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘; 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘； 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

基于去噪的熵算子边界检测法

图像的熵用来刻划图像的平滑性或均匀性 在图像的局部窗口中计算时 ,如果窗口中存在边界 ,则窗口中的图像不均匀 ,其灰度变化急剧 ,计算出的熵小 ;反之熵大 设定熵的阈值 ,即可判断是否存在边界 由于熵算子对噪声很敏感 ,直接用它进行边界检测 ,效果很差 文中针对这一缺陷 ,提出将熵算子与去噪相结合的边界检测法 ,如果计算出的熵大于阈值 ,要判断是噪声的出现所引起 ,还是边界的出现所引起 ,这样 ,边检测边界边去噪声 用该方法对信噪比较低的图像进行实验 ,得到了满意的效果     

改进的基于单一尺度的医学图像边缘检测

针对经典取边缘算法的缺点和高斯多尺度边缘检测中尺度选择的复杂性等问题,提出了改进的单一尺度边缘检测方法,并将该方法应用到医学图像的边缘检测中。该方法首先用平滑理论,对图像进行平滑,将图像中一些无用的细节信息平滑掉,抑制噪声和高频干扰成分;因为边缘细节也被平滑掉,所以再利用模糊增强算子加大边缘两侧灰度的差异,然后利用基于高斯核的单一尺度过零点边缘检测方法提取图像的边缘;最后,将该算法与经典的sobel,canny算子进行比较。实验结果表明,这种方法较好解决了图像边缘的提取精度和图像噪声的抑制能力之间的矛盾。     

基于梯度二阶导数的Canny阈值自适应选取算法

图像边缘含有丰富的图像信息,对于很多视觉系统至关重要,比如目标检测与图像分割等。传统的Canny算子仅能用于灰度图像,无法有效利用彩色图像中的颜色信息;此外,该方法需要人为设定高低阈值,不能自适应提取图像边缘,进而造成背景边缘放大等问题。提出了一种基于Canny的自适应彩色图像边缘检测算法;该算法首先通过图像一阶直方图的统计特性,自适应地选取高斯滤波器的参数σ,有效去除了噪声;同时改善了σ参数设置不合理对边缘检测的影响。其次采用了基于图像梯度二阶导数的阈值选取的方法,即根据图像特性自适应选取合适的阈值。实验结果表明:算法能很好地改善传统Canny算子的缺陷,对于彩色图像的边缘信息提取能达到很好的效果。