绝缘子图像的边缘检测

高压输电线路巡检机器人,对绝缘子的检测是基于图像分析、处理及识别,从而实现故障的检测和监督.图像的边缘是一种重要的视觉信息,边缘检测是图像处理中的重要环节.文中利用几种不同的边缘检测方法对绝缘子图像的边缘进行检测,利用仿真结果对比、分析,认为小波边缘检测方法对绝缘子的边缘提取效果最佳,为后续绝缘子的破损检测提供依据.     

路面交通线破损图像智能检测优化研究北大核心CSCD

路面交通线破损图像智能检测的研究极大的提高了对路面维护和保养的效率。针对现有系统获取图像较难且像素差、处理图像算法效率低等问题,提出了城市智能监控系统路面交通线破损图像智能检测算法。即通过城市智能监控系统获取图片样本,采用高斯低通滤波和脉冲耦合神经网络相结合算法对样本进行滤波分割处理来突出路面交通线等有效信息,智能检测和计算分析图片纹理特征并得出结果。根据标准样本和检测样本的检测结果进行对比分析做出结果判断,在检测出路面交通线存在明显破损时对市政部门提供及时的预警。实验结果表明,改进系统获取图片方便且像素高,同时检测速度快、可靠性高,可运用于实际路面交通线破损等路面状况的检测系统。     

基于小波变换与偏微分方程的图像分解及边缘检测

针对含纹理的自然图像在图像分解时,结构图像的边缘信息容易被当作纹理分解到纹理图像中,致使结构图像的边缘不清晰,检测到的边缘不准确,提出了基于小波分解的偏微分方程(PDE)图像分解及边缘检测模型。首先利用小波变换阈值提取部分纹理信息,再利用改进的保边缘的偏微分方程图像分解模型进一步分解图像并提取边缘。实验结果表明,新方法提高了图像分解的质量,纹理信息提取充分,结构图像有较好的分片光滑性和较清晰的边缘,检测到的结构边缘更准确。     

基于a'trous小波分解的图像边缘检测

边缘特征是图像最为有用的高频信息。边缘检测在图像处理和计算机视觉中起重要作用。本文对小波变换进行了研究,并且分析了小波变换提取图像边缘的原理。为了高质量地进行图像边缘检测,提出了一种基于二阶B样条小波变换的多孔算法提取图像边缘。算法利用B样条小波对图像函数进行小波变换,提取图像边缘,并采用多孔算法防止图像信息丢失。实验结果表明,和传统的边缘检测算法相比,在边缘精度和噪声抑制方面,该算法是有效的。     

基于小波多分辨率分析的图像边缘检测研究

本文就图像边缘检测的多分辨率分析模型和小波变换多分辨率边缘检测方法进行了分析研究,对基于小波分析的图像边缘检测研究现状进行了分析和总结。明确了研究方向和重点主要集中在小波基的构造和选取,阈值的选取,小波分解的尺度选取,以及小波分析方法和其他方法的结合使用。     

移动机器人导航系统中的车道线检测方法及实现

针对室外移动机器人GPS与惯性导航不足之处,在GPS与惯性导航基础上,提出了采用视觉检测方法实时识别路面的车道线信息,对移动机器人进行辅助定位。在传统的Canny边缘检测算子基础上,提出了使用改进型小波阀值算法与Canny边缘检测算子进行融合处理,其基本原理是先使用改进型小波阀值算法,代替传统的高斯滤波器进行平滑和降噪处理,然后再使用Canny边缘检测算子提取边缘特征。最后使用matlab软件对采集到的路面视频信息进行处理,计算出移动机器人相对于路面车道线的偏转角度和偏离距离。实验发现12000帧图像中有仅有892帧图像检测失败,成功率达到92.6%,取得较好效果。为移动机器人的室外自主移动提供有力支撑。     

基于多尺度小波与模糊方法的图像边缘检测

提出了一种基于多尺度小波变换和模糊方法的图像边缘检测算法,它将图像分为高频和低频部分别进行处理,高频部分利用多尺度小波变换进行边缘检测,低频部分利用模糊方法进行边缘检测,并对两种方法得到的边缘图像进行融合,实验结果证明检测出的边缘与其它传统边缘检测算子所获结果得到了很大的改善.     

基于边缘检测技术的水库面积计算

图像边缘是一种重要的视觉信息,是图像最基本的特征之一。首先介绍了经典的边缘检测算子,然后进一步介绍了近年来出现的基于小波变换的多尺度边缘检测以及数学形态学的边缘检测方法,对其性能和算法特点进行了分析,最后将所有的边缘检测方法应用于水库面积计算中,同时对结果数据进行了比较分析。结果证明,基于小波变换的多尺度边缘检测以及数学形态学的边缘检测得出的水库面积精度高于其他算子。     

基于数学形态学与小波变换的边缘检测算法

针对传统边缘检测方法去噪效果不理想的情况,分别对数学形态学和小波变换基本理论进行了分析,提出了一种基于数学形态学和小波变换的边缘检测方法。首先利用数学形态学基本运算对含有噪声的图像进行滤波,然后利用小波变换原理提取图像边缘。通过Matlab仿真分析,对比其他几种边缘检测算法,验证了该方法能够有效地检测出图像的边缘。     

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。     

基于离散小波阈值的偏微分图像去噪

小波方法和偏微分方程方法是图像去噪中的主要方法。该文提出基于离散小波变换对图像进行阈值去噪,得出了小波阈值的偏微分方程表示形式,在此基础上研究偏微分方程的解法,采用分数步的小波阈值方法对图像去噪,得到了较好的去噪效果,同时可以保护边缘。数值试验结果表明,该方法具有比小波方法更好的去噪效果,能获得较高的信噪比。     

小波变换与纹理合成相结合的图像修复

目的 为了克服传统的图像修复算法在结构和纹理边界的错误修复,利用小波变换域的系数特征,探讨了一种基于小波变换与纹理合成相结合的修复算法。方法 算法先利用小波变换将待修复图像分解成具有不同分辨率的低频子图和高频子图,然后根据不同子图各自的特征分别进行修复。对代表图像结构信息的低频子图,采用FMM(fast marching method)算法进行修复;对代表图像纹理信息的高频子图,根据各子图中小波系数的特征,利用纹理合成方法进行修复。结果 分层、分类修复方法对边缘破损具有良好的修复效果,其峰值信噪比相比于传统算法提高了1~2 dB。结论 与相关算法相比,本文算法的综合修复能力较好,可以有效修复具有较强边缘和丰富纹理的破损图像,尤其对破损自然图像的修复,修复后图像质量得到较大提升,修复效果更符合人眼视觉效应。     

紧密系数耦合非线性结构张量的图像修复算法

为了解决当前基于PDE技术的图像修复算法采取了各向同性扩散,且没有考虑到损坏区域周边参考点的影响,使其修复图像存在不连续边缘与纹理模糊,降低了其视觉质量等不足,本文设计了紧密度系数耦合非线性各向异性扩散结构张量的图像修复算法。基于完好像素点与受损点之间的距离,构造紧密度系数计算模型;基于 技术,将结构张量嵌入其中,构造新的扩散速度模型,使其只沿着等照度曲线方向扩散,将从损坏图像中提取的掩码信息传播至受损区域,完成图像修复。仿真结果显示：与基于PDE技术的图像修复机制相比,本文算法具有更佳的修复质量,较好地保持了图像细节信息,无模糊效应;且修复图像的PSNR值最高。     

基于偏微分方程与维纳滤波的混合去噪方法

提出一种小波变换与偏微分方程(PDE)结合的混合图像去噪方法,通过窗口改进的维纳滤波处理,运用偏微分综合模型进行二次滤波,其中的偏微分综合模型由2个权重函数将PM方程、方向扩散方程和LLT高阶PDE相结合构建形成。实验结果表明,该混合图像去噪方法能够克服以上3种PDE模型和维纳滤波的不足,增强图像去噪和边缘保护能力,去噪后可得到较好的图像视觉效果,提高算法的效率。     

一种适用于移动节点的事件驱动分簇算法

提出一种适用于移动无线传感器网络节点的事件驱动分簇算法,使用簇头间能量筛选法选举簇头,并加入事件驱动机制,能够使节点在有突发事件发生的情况下,对网络中的簇进行基于事件区域的重组,以减少数据冗余。建立相应的仿真实验模型,对运动节点的分簇情况进行动态跟踪及分析。实验结果表明,该算法能够满足事件驱动分簇的要求,能量消耗比经典算法更均衡。     

Total Variation Wavelet Thresholding

We propose using Partial Differential Equation (PDE) techniques in wavelet based image processing to remove noise and reduce edge artifacts generated by wavelet thresholding. We employ a variational framework, in particular the minimization of total variation (TV), to select and modify the retained wavelet coefficients so that the reconstructed images have fewer oscillations near edges while noise is smoothed. Numerical experiments show that this approach improves the reconstructed image quality in wavelet compression and in denoising.     

小波方向子带偏微分方程遥感图像去噪

针对小波阈值法在去除遥感图像高斯噪声时,所存在的由于过度"扼杀"小波系数而引起的模糊边缘问题,以及P-M模型通常会使图像的灰度趋于分段常量而产生所谓的"块状"效应问题。提出小波域偏微分方程(PDE)遥感图像去噪模型,该模型通过对遥感图像进行小波分解,保持低频子带信息,而只对含有噪声、图像边缘的高频子带进行基于子带方向特性的非线性异性扩散,使模型在有效去除高斯噪声的同时,能够很好地保护遥感图像中的边缘特征和细节纹理信息,避免了去噪后的结果图像出现分段常量现象。实验结果表明,对于相同的遥感图像高斯噪声,基于所提出混合模型的去噪图像的PSNR较基于类零树的Bayes阈值法和P-M模型提高了1～2dB。     

一种基于边缘图像融合的图像边缘检测方法

边缘检测是图像处理、模式识别和计算机视觉领域的重要内容．传统边缘检测方法的边缘检测效果一般．为了更好地检测出图像边缘,在传统边缘检测算法分析的基础上,提出了一种基于边缘图像融合的图像边缘检测方法．首先,对原图像进行二进小波分解得到低频子图像,然后分别对原图像和低频子图像采用直方图均衡化进行增强后用Canny算子来进行边缘检测,得到原图像和低频子图像的边缘图像,最后采用一定的融合规则将这两个边缘图像融合在一起,得到一幅完好的边缘图像．实验结果表明,这种边缘检测方法明显优于直接对原图像单独使用Canny算子或基于小波变换的边缘检测方法．     

Mode Decomposition Evolution Equations

Partial differential equation (PDE) based methods have become some of the most powerful tools for exploring the fundamental problems in signal processing, image processing, computer vision, machine vision and artificial intelligence in the past two decades. The advantages of PDE based approaches are that they can be made fully automatic, robust for the analysis of images, videos and high dimensional data. A fundamental question is whether one can use PDEs to perform all the basic tasks in the image processing. If one can devise PDEs to perform full-scale mode decomposition for signals and images, the modes thus generated would be very useful for secondary processing to meet the needs in various types of signal and image processing. Despite of great progress in PDE based image analysis in the past two decades, the basic roles of PDEs in image/signal analysis are only limited to PDE based low-pass filters, and their applications to noise removal, edge detection, segmentation, etc. At present, it is not clear how to construct PDE based methods for full-scale mode decomposition. The above-mentioned limitation of most current PDE based image/signal processing methods is addressed in the proposed work, in which we introduce a family of mode decomposition evolution equations (MoDEEs) for a vast variety of applications. The MoDEEs are constructed as an extension of a PDE based high-pass filter (Wei and Jia in Europhys. Lett. 59(6):814–819, 2002) by using arbitrarily high order PDE based low-pass filters introduced by Wei (IEEE Signal Process. Lett. 6(7):165–167, 1999). The use of arbitrarily high order PDEs is essential to the frequency localization in the mode decomposition. Similar to the wavelet transform, the present MoDEEs have a controllable time-frequency localization and allow a perfect reconstruction of the original function. Therefore, the MoDEE operation is also called a PDE transform. However, modes generated from the present approach are in the spatial or time domain and can be easily used for secondary processing. Various simplifications of the proposed MoDEEs, including a linearized version, and an algebraic version, are discussed for computational convenience. The Fourier pseudospectral method, which is unconditionally stable for linearized high order MoDEEs, is utilized in our computation. Validation is carried out to mode separation of high frequency adjacent modes. Applications are considered to signal and image denoising, image edge detection, feature extraction, enhancement etc. It is hoped that this work enhances the understanding of high order PDEs and yields robust and useful tools for image and signal analysis.