基于形态滤波和分水岭变换的边缘检测方法

图像的边缘保留了图像最基本也是最重要的特征,边缘检测减少了数据量,在机器视觉、模式识别、视频解码、物体追踪、医学图像处理等领域得到广泛的应用,是图形图像领域里的研究方向之一。文中在总结各种常见边缘检测算法的基础上,利用数学形态学中的腐蚀、膨胀等概念,结合Watershed算法,介绍了一种边缘检测的新方法。     

基于形态学梯度的图像边缘检测算法

边缘检测是数字图像处理的一个重要内容，讨论了经典的边缘检测算子算法，该算法更多地采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学在图像处理中有广泛的应用，其基本原理是基于利用结构元素去探测图像；在讨论常见数学形态学梯度的基础上，提出了一种基于形态学梯度的图像边缘检测算法，应用定义的形态学梯度结构检测出较理想的图像边缘信息。仿真结果表明，该算法在含噪图像中能得到较为理想的图像边缘信息，其抗噪声性能明显地优于经典的算子检测算法，在检测精度方面较经典的单一算子检测方法亦有一定的改善。     

图像边缘检测算法研究

图像边缘时图像最基本的特征,边缘检测是图像处理及计算机视觉领域的基本问题。数字图像中存在一些亮度变化明显的点,边缘检测的目的就是将这些点标示出来。典型的边缘检测算法有Sobel、Log、Canny,这些算法由于涉及梯度运算,存在对噪声敏感、计算量大等缺点。本文主要研究了SUSAN算法并检验了该算法的抗噪能力。     

图像边缘检测方法研究

边缘检测是图像处理和模式识别领域的基本课题。阐述了传统的边缘检测方法——微分算子法和现代的一些边缘检测方法——小波分析、形态学、分形、模糊学、人工智能、遗传算法等,分析了以上各种算法在图像边缘检测中的发展状况及其优缺点。为了直观地看出各种算法的效果,给出了用一些常用算法对同一幅目标图像进行边缘提取的结果。最后提出在实践中应根据待解决问题的特点和要求决定采用何种方法。     

小波包在图像边缘检测中的应用

在图像分析和计算机视觉领域中,边缘检测技术是至关重要的环节之一。该文根据小波包变换原理提出了一种基于Sobel算子的图像边缘检测算法,通过MATLAB仿真结果表明,利用该算法进行图像边缘检测具有很好的效果。     

改进的模糊推理规则图像边缘检测算法

图像边缘检测是数字图像处理领域的关键技术,边缘检测的结果决定了图像后续处理的质量。模糊推理规则边缘检测算法具有较强的边缘检测能力,并且具备一定的抗噪效果。但是,这种算法只在高斯噪声较小时有效,当高斯噪声较大时它的边缘检测效果甚至比Canny等算子的效果还差。针对模糊推理规则算法在强高斯噪声时效果较差的问题,提出一种改进的模糊边缘检测算法。该算法能够根据图像含噪情况调整边缘检测方案：当噪声较弱时,使用模糊推理规则边缘检测算法;当噪声较强时,为提高算法抑制噪声的能力,使用改进的模糊推理规则边缘检测算法。实验结果表明,该方法具有更好的抗噪性能和边缘检测能力。     

用于手绘检索的伪监督边缘检测算法

基于深度学习的边缘检测算法需要大量的标注，这阻碍了边缘检测的推广应用。因此提出一种伪监督边缘检测算法，能够在无标注的手绘图像数据集上提取图像边缘。算法分成三部分，包括伪监督标签生成、多尺度边缘检测网络和特征增强模块。伪监督标签为多尺度监督的边缘检测网络生成监督信息，特征增强模块可以弥补伪监督带来的信息丢失。该算法比现有边缘检测算法提取的边缘更完整，在手绘数据集QMUL-Shoe和QMUL-Chair上可以提高1%～6%的检索精度，对需要边缘检测的所有领域都有启发性意义。     

医学图像的快速最优化边缘检测

在医学图像的目标识别和三维显示过程中，边缘检测是十分重要的一环，检测的准确性将直接影响以后续的治疗，虽然现在已有许多边缘提取算法，但这些方法用于医学图像分割时委能同时满足速度快、最优化以及所检测边缘连接甚至封闭等要求，本文提出一种基于动态规划的边缘检测的快速算法，在算法中采用局域窗技术加快搜索速度，由分段搜索自适应地实现快速最优化且连续的目标边缘检测，算法在模型图像及医学图像中实施，取得了满意的效     

基于深度学习的图像边缘检测算法综述

边缘检测是将图像中的突变的重要信息提取出来的过程，是计算机视觉领域研究热点，也是图像分割、目标检测与识别等多种中高层视觉任务的基础。近几年来，针对边缘轮廓线过粗以及检测精度不高等问题，业内提出了谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。为了使更多研究者了解边缘检测的研究现状，首先，介绍了传统边缘检测的实现理论及方法；然后，总结了近年来基于深度学习的主要边缘检测方法，并依据实现技术对这些方法进行了分类，对其涉及的关键技术进行分析，发现对多尺度多层次融合与损失函数的选择是重要的研究方向。通过评价指标对各类方法进行了比较，可知边缘检测算法在伯克利大学数据集（BSDS500）上的最优数据集规模（ODS）经过多年研究从0.598提高到了0.828，接近人类视觉水平。最后，展示了边缘检测算法研究的发展方向。     

基于深度学习的图像边缘检测算法综述

边缘检测是将图像中的突变的重要信息提取出来的过程，是计算机视觉领域研究热点，也是图像分割、目标检测与识别等多种中高层视觉任务的基础。近几年来，针对边缘轮廓线过粗以及检测精度不高等问题，业内提出了谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。为了使更多研究者了解边缘检测的研究现状，首先，介绍了传统边缘检测的实现理论及方法；然后，总结了近年来基于深度学习的主要边缘检测方法，并依据实现技术对这些方法进行了分类，对其涉及的关键技术进行分析，发现对多尺度多层次融合与损失函数的选择是重要的研究方向。通过评价指标对各类方法进行了比较，可知边缘检测算法在伯克利大学数据集（BSDS500）上的最优数据集规模（ODS）经过多年研究从0.598提高到了0.828，接近人类视觉水平。最后，展示了边缘检测算法研究的发展方向。