基于卡方检验的SAR图像道路检测算法

为有效解决SAR图像道路检测算法中阈值优化的问题,提出了一种不需要固定阈值的检测方法.该方法由不同阈值组合的Tupin边缘检测算法得到边缘检测结果图集,并逐像素统计得到边缘密度图;引入卡方检验计算边缘密度图与边缘检测结果图集之间的相似性度量参数,优化得到最佳边缘相关等级;根据最佳等级得到最终的道路边缘检测结果.实验结果表明,该方法有较强的开放性与目标适应性,自动化程度高,有很强的工程实用性.     

一种基于核密度估计的图像边缘检测方法

进行图像边缘检测的算法有很多种,其中基于Sobel算子、Laplace算子、Canny算子等的图像边缘检测方法当属经典。但所提方法不同于这些差分算子方法,而是对灰度图像素进行小窗口区域的核密度估计,从而得到一幅核密度图,然后通过核密度图,选择出合适的带宽或阈值来控制图像边缘的检出。实验表明该方法可行且简单快速。     

基于细菌觅食优化算法的自适应阈值边缘检测

Sobel算子在阈值偏高或偏低的情况下会产生伪边缘或边缘丢失的问题。为此,将细菌觅食优化算法与最大类间方差相结合,利用细菌觅食优化算法的全局寻优能力,以最大类间方差为适应度函数搜索最佳边缘检测阈值,对图像进行自动边缘检测。实验结果证明,该方法能够取得较好的边缘分割效果,提高阈值检索速度。     

基于改进Canny算法的噪声图像边缘检测

针对传统Canny边缘检测算法对噪声图像的去噪效果不佳,以及双阈值需要预先设定的问题,提出了一种基于改进Canny算法的噪声图像的边缘检测。首先构建自适应高斯滤波器对曲度算子进行改进,得到优化的二值边缘图;然后基于最大类间方差法构建了灰度梯度映射函数,确定最佳的双阈值;最后对二值边缘图进行双阈值检测以及边缘连接。实验结果表明,改进算法与现有Canny算法相比,在不同类型噪声和不同浓度噪声的环境下,改进算法提高了对噪声图像边缘检测的性能,其中PSNR值平均提高了1.9%,MSE值平均降低了1.6%,且具有自适应性强、运行效率高的优点。     

遗传算法优化的形态学边缘检测算子

图像边缘检测通常是以类似于素描图的图像表达出物体的要素和特征,其任务是使图像边缘准确定位和抑制噪声。在传统形态学算子基础上提出一种遗传算法优化的形态学Top—Hat算子。实验表明。与传统的边缘检测算法相比,该算法不仅具有较强的边缘提取能力,而且通过合理选择结构元素能明显降低噪声对检测结果的影响,准确检测出图像边缘。     

遗传算法优化的形态学边缘检测算子

图像边缘检测通常是以类似于素描图的图像表达出物体的要素和特征,其任务是使图像边缘准确定位和抑制噪声.本文在传统形态学算子基础上提出了一种遗传算法优化的形态学Top-Hat算子.实验结果表明,与传统的边缘检测算法相比,该算法不仅具有较强的边缘提取能力.而且通过合理选择结构元素能明显降低噪声对检测结果的影响.准确检测出图像边缘.     

基于置信度融合的边缘检测性能评价基准图计算

针对边缘检测算法的性能评价，提出了一种在真实场景下基于统计、自适应强的评价基准图计算方法。定义了算法参数的相关系数，研究了算法参数相关模型。根据建立的算法参数相关系数得到单算法的预选基准图，对不同算法预选基准图进行基于置信度的图像融合得到可用于边缘检测算法性能评价的基准图。该计算基准图的方法有助于实现边缘检测算法性能评价的自动化，实验结果验证了该方法的有效性及实用性。     

基于蚁群优化算法的复杂背景图像文字检测方法

针对复杂背景图像中的文字检测问题,提出一种基于蚁群优化算法的复杂背景图像文字检测方法。该方法首先采用蚁群优化算法提取图像边缘;然后在边缘图像上提取特征,采取由粗到精多级检测、验证的策略进行文字检测。与基于Soble算子、Canny算子等方法的对比实验结果表明,所提出的基于蚁群优化算法的文字检测方法可有效地实现复杂背景图像中的文字检测。     

基于ROC分析的Canny算法在景象匹配中的应用

根据ROC分析方法能对分类识别算法进行多门限评估的特点,利用其改进Canny算法性能并应用于景象匹配。首先由不同参数组合的Canny算子计算图像的多个边缘提取图,并逐像素进行统计,得到边缘像素相关图;然后采用ROC曲线分析找到最佳的关联阈值,从而确定理论边缘图;最后将参考图与实时图所对应的理论边缘图进行景象匹配。实验结果表明,该方法在参考图和实时图存在一定几何畸变和灰度差异的情况下,能取得较高的平均匹配精度与正确匹配概率。此外,该方法克服了传统Canny算子采用固定参数的缺点,根据多参数自动进行筛选优化,有较强的工程实用性。     

小波变换和Canny算子相结合的图像边缘检测算法

提出一种基于小波变换和Canny算子相结合的图像边缘检测算法.由于传统Canny算子在进行边缘检测时,会丢失边缘细节信息,产生伪边缘,因此,论文提出在进行Canny算子边缘检测前,首先使用二维最大类间方差算法将图像分为四幅子图,然后对各子图分别进行小波阈值去噪,对去噪图像进行图像融合后,使用Canny算子检测边缘,最后进行边缘连接,得到连续边缘线.实验结果表明,该算法可以在去除噪声的同时有效保留边缘细节,达到较好的检测效果.     

基于空频域联合闭值分割的轮廓检测方法

传统的边缘检测算子仅在空域上对梯度图像进行阈值分割来计算二值边缘图像,当应用在自然场景图像中时,检测结果中往往含有大量的干扰边缘。为了消除干扰边缘,提高传统边缘算子的轮廓检测性能,提出了基于空频域联合阈值分割的轮廓检测方法:首先对梯度图像进行频域阈值分割消除干扰边缘,然后进行空域阈值分割得到最终的二值边缘图。结合Canny算子,利用自然场景图像对该方法进行了性能评估,结果表明,该方法大大减少了干扰边缘,有效提高了Canny算子在复杂自然场景图像中的轮廓检测性能。     

Efficient edge detection in digital images using a cellular neural network optimized by differential evolution algorithm

A cellular neural network (CNN) based edge detector optimized by differential evolution (DE) algorithm is presented. Cloning template of the proposed CNN is adaptively tuned by using simple training images. The performance of the proposed edge detector is evaluated on different test images and compared with popular edge detectors from the literature. Simulation results indicate that the proposed CNN operator outperforms competing edge detectors and offers superior performance in edge detection in digital images.     

Two new edge detectors

This paper introduces two new edge detection algorithms. One uses multiple difference-based edge detectors. This scheme selects peak center by absolute maximum or center of mass techniques. The other algorithm is motivated by the observation that second-order enhancement improves human contour extraction, but generally confuses difference-based edge detectors. This algorithm translates intensity images into three state images (plus one, zero, and minus one), then uses multiple three-state edge masks to find edge positions. The second scheme has a multiple hardware implementation and interesting biological analogs. Finally, the two operators introduced are compared to some popular edge detection techniques from the literature.     

引入通道注意力和残差学习的目标检测器

现有目标检测器特征金字塔无法充分利用不同尺度特征图的特征信息,不适用于低分辨率图像的目标和小目标的检测.针对此问题,文中提出引入通道注意力机制和残差学习块的目标检测器.首先引入通道全局注意力机制,通过网络学习特征图中不同通道特征的权重,增强有效的全局特征信息.然后采用轻量级的残差块,突出特征的微小变化,提高低分辨率图像中小目标的检测性能.最后在用于预测的浅层特征图中融合深层特征,提高小目标的检测精度.在标准测试数据集上的实验表明,文中目标检测器适用于低分辨率图像,对小目标的检测效果较优.     

CEDContours: A high speed contour detector for color images

We propose a high-speed contour detector for color images that produces its contours as set of edge segments, each a chain of pixels. The proposed algorithm performs a multi-scale analysis of the input image by combining the edge segments produced by Color Edge Drawing (CED) at different scales; thus, the name CEDContours. We evaluate the performance of CEDContours both qualitatively by presenting visual experimental results, and quantitatively within the precision-recall framework of the Berkeley Segmentation Dataset and Benchmark (BSDS300 and BSDS500). Experimental results show that CEDContours with the DiZenzo gradient operator, named CEDContours-DiZenzo, surpasses many of the prominent contour detectors found in the literature (0.70 and 0.71 F-score for BSDS300 and BSDS500 respectively), and gives comparable results to the leading contour detectors, i.e., the global Probability of boundary ultrametric contour maps (gPb-ucm: 0.71 and 0.73), and the sparse code gradients (scg: 0.72 and 0.74), but runs up to 100 times faster than these contour detectors (700ms for 481×321 images as opposed to 40s for gPb-ucm and 70s for scg), making it suitable for high-speed image processing and computer vision applications.     

图象边界的遗传算法规整

为了使检测的图象边界更符合有效的理想边界结构,同时能滤除边界图象中的噪声干扰,提出了一种基于遗传算法在图象边界规整方法。该方法首先将已经检测得到的边界图象编码为两维二值码串个体,并根据理想边界模板集来计算每个个体的适应度;然后通过交叉、变异和选择等遗传运算对被检测出的非理想边界进行规整。在遗传算法收敛时,该算法不仅能得到最适合有效理想边界结构的边界图象,并能有效地滤除边界图象中的噪声。     

Edge Detection in Range Images Based on Scan Line Approximation

In this paper we present a novel edge detection algorithm for range images based on a scan line approximation technique. Compared to the known methods in the literature, our algorithm has a number of advantages. It provides edge strength measures that have a straightforward geometric interpretation and supports a classification of edge points into several subtypes. We give a definition of optimal edge detectors and compare our algorithm to this theoretical model. We have carried out extensive tests using real range images acquired by four range scanners with quite different characteristics. Using a simple contour closure technique, we show that our edge detection method is able to achieve a complete range image segmentation into regions. This edge-based segmentation approach turns out to be superior to many region-based methods with regard to both segmentation quality and computational efficiency. The good results that were achieved demonstrate the practical usefulness of our edge detection algorithm.     

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.