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.     

一种改善的基于支持向量机的边缘检测算子

支持向量机是一种新的机器学习方法。它建立在统计学习理论基础上,较好地解决了小样本的学习问题。由于其出色的学习性能,该技术已经成为当前国际机器学习界的研究热点。文中提出了一种基于支持向量机的图像边缘检测新方法。这种方法介绍了如何使用支持向量机来高效的检测图像的边缘。首先用几个边缘简单的图像对支持向量机进行训练,然后使用支持向量分类方法进行边缘检测。针对实际图像的边缘检测实验表明,支持向量机可以有效地进行图像的边缘检测,其检测效果和传统的Canny边缘检测算子相当。     

一种改善的基于支持向量机的边缘检测算子

支持向量机是一种新的机器学习方法。它建立在统计学习理论基础上,较好地解决了小样本的学习问题。由于其出色的学习性能,该技术已经成为当前国际机器学习界的研究热点。文中提出了一种基于支持向量机的图像边缘检测新方法。这种方法介绍了如何使用支持向量机来高效的检测图像的边缘。首先用几个边缘简单的图像对支持向量机进行训练,然后使用支持向量分类方法进行边缘检测。针对实际图像的边缘检测实验表明,支持向量机可以有效地进行图像的边缘检测,其检测效果和传统的Canny边缘检测算子相当。     

基于模糊支持向量机的图像边缘检测

提出了一种基于模糊支持向量机的图像边缘检测方法.利用支持向量机分类的思想,将模糊支持向量机应用到图像边缘检测中,在有效检测出图像边缘点的同时,减小噪声点的干扰,时图像的边缘检测的一种新方法进行了研究探讨.     

模糊支持向量机建筑物边缘特征提取方法研究

为解决边缘点与非边缘点过渡的模糊边缘,提出了一种模糊支持向量机的边缘检测算法。该算法选用图像3 3窗口4个方向的灰度梯度、梯度幅值和梯度方向组成6维特征向量,同时选用径向机核函数对样本特征向量升维到高维空间,在高维空间中构造最优分类超平面。同时,根据归一化后的梯度幅值来确定每个样本的隶属度,最后利用模糊支持向量机实现边缘检测。实验结果表明了模糊支持向量机边缘检测方法的可行性。     

一种改善的基于支持向量机的图像边缘检测算法

本文给出一种基于支持向量机方法的边缘检测算法,用以改善传统边缘检测方法中存在的比如粗糙边缘、不准确边缘等缺点。支持向量机是建立在统计学理论基础上的一种新的机器学习方法。首先提出了边缘检测算法流程,然后使用支持向量机分类方法对图像进行边缘检测。用所得到的边缘检测算法与Prewitt算法的性能进行了比较。仿真结果表明本文给出的算法与Prewitt算法相比,边缘检测性能得到提高。     

基于支持向量机的图像边缘检测研究

将支持向量机应用于储粮昆虫图像的边缘检测中,利用支持向量机两类分类的思想,借助“支持向量”分辨出图像的背景和目标从而检测了图像的边缘,探讨了图像的边缘检测的一种新方法。     

一种基于支持向量机的图像边缘检测方法

支持向量机是一种新的机器学习的方法.它以统计学习理论为基础,能够较好地解决小样本的学习问题.由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点.支持向量函数回归(SVR)是SVM的一个重要分支,它已经成功地应用于系统识别、非线性系统的预测等方面,并取得了较好的效果.文中通过图像的SVR表示,对SVR图像的边缘检测进行了研究.文中算例说明了该方法在实际应用中的可行性.实验结果表明,该算法能有效提高图像边缘检测效果.同时对其他边缘检测方法有一定的借鉴作用.     

一种鲁棒的多特征彩色图像检索新方法

为了提高彩色图像检索的准确性,以回归型支持向量机(SVR)理论为基础,结合重要的图像边缘信息,提出了一种鲁棒的多特征彩色图像检索新方法。该方法首先利用回归型支持向量机(SVR)理论,对原始图像进行去噪处理及彩色边缘提取;然后将整个彩色边缘划分成局部网格区域,并分别计算出每个网格区域的颜色直方图和纹理直方图;最后综合利用上述网格区域的颜色直方图和纹理直方图来计算图像间内容的相似度,并进行彩色图像检索。实验结果表明,该方法不仅能够准确、快速的检索出用户所需图像,而且对光照、锐化、模糊等噪声攻击均具有较好的鲁棒性。     

基于支持向量机的实时路面检测算法

二阶多项式核函数支持向量机分类决策函数可以表示为待分类向量各分量的形式，其中的同类项可以合并，同类项的系数在得到支持向量后可以计算得出。使用这样的分类决策函数，可以避免分类时待分类向量和各个支持向量逐个进行的运算，使分类计算速度和支持向量个数无关。针对实际道路图像的对比实验表明，采用这种新算法的支持向量机路面检测分类器，在路面检测精度上优于神经网络，在计算速度上也能很好地满足实时检测的要求。     

基于四元数描述的彩色图象边缘检测器

为了对彩色图象进行有效的边缘检测 ,提出了一种彩色图象边缘检测的新方法 ,该方法先是采用基于四元数的滤波器来确定当前像点是否在同质区域边缘 ,进而检测出边缘像点 .实验表明 ,该方法对合成及自然彩色图象均有较好效果 ,能够方便快捷地得到图象的边缘 .     

基于颜色三角形信息量的彩色图像边缘检测

提出了一种利用构造三角形面积变化来检测彩色图像边缘的方法,它能够充分利用彩色图像中各像素的各个彩色分量,将颜色的向量度量转化为标量度量。与传统的边缘检测算法相比,这种方法检测到的边缘比较清晰,能提高边缘检测的准确性。     

基于内容分析的特定图像过滤技术研究

文章在分析色情图像的特征的基础上,提出基于肤色模型与轮廓特征的图像过滤方法。重点讨论了基于内容的图像过滤方法,其中包括肤色检测、纹理检测、轮廓检测、特征选取和分类方法(Bayes分类器和SVM分类器)等关键技术。实验结果表明,在混合样本的条件下该方法能够达到80%以上的准确率。     

基于彩色边缘网格直方图的图像检索方法

边缘是图像局部变化最显著的部分,也是人类理解图像内容的重要线索.本文提出了一种基于彩色边缘特征的图像检索方法,该方法首先利用Canny检测算子提取出原始图像的彩色边缘信息,然后将彩色边缘划分成圆环区域和角形区域,并分别计算出圆环区域和角形区域的颜色直方图;最后综合利用上述圆环区域和角形区域的颜色直方图计算图像间内容的相似度,并进行彩色图像检索.仿真实验表明,该方法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率.     

基于细胞神经网络鲁棒性的彩色图像边缘检测

根据细胞神经网络(CNN)数学模型,提出一种新的彩色图像边缘检测方法。 新方法继承了CNN 的优点,解决了CNN 现有算法不能直接检测彩色图像边缘的问题。该 方法充分利用图像中的颜色信息,通过欧几里得距离度量像素之间的差异,使CNN 方程可 以在RGB 彩色空间中进行运算。对CNN 模板进行理论分析和鲁棒性研究,提出一个实现 彩色图像边缘检测功能要求的CNN 鲁棒性定理,为设计相应的CNN 模板参数提供了解析 判据。实验结果表明,该方法可以对彩色图像进行有效的边缘提取,定量评价验证了CNN 边缘检测定位准确的优点。     

A novel edge detection method based on the maximizing objective function

This paper proposes a novel edge detection method for both gray level images and color images. The 3×3 mask in the image is considered and two pixel sets S₀ and S₁ in the mask are used to define an objective function. The values of the objective function corresponding to four directions determine the edge intensity and edge direction of each pixel in the mask. After all pixels in the image have been processed, the edge map and direction map are generated. Then we apply the non-maxima suppression method to the edge map and the direction map to extract the edge points. The proposed method can detect the edge successfully, while double edges, thick edges, and speckles can be avoided.     

基于L*a*b*空间颜色信息度量的边缘检测

对L*a*b*空间进行分析,提出了一种基于颜色信息度量的边缘检测算法.通过在L*a*b*空间中构造立方体,根据体积变化定义各像素点的颜色信息度量,作为确定各像素点是否为彩色图像的边缘点的判据.该方法综合利用了彩色图像的明度和色度信息,将向量空间的计算以自然的方式转换成了标量的计算.实验证明,与传统的方法相比较,能快速有效地检测出图像的边缘.     

基于改进层次聚类和SVM的图像型火焰识别

为了提高大空间建筑内实时监控的火灾检出率,提出基于改进分层聚类和支持向量机(SVM)的火灾识别算法。首先建立火焰颜色模型,用像素运动累积法获取疑似目标,借助改进层次聚类法对其进行合并,形成少量疑似区域。然后提取疑似区域相邻帧间相关性、面积变化率、质心偏移距离、红绿分量比、平均亮度这五个特征量。最后将特征输入到SVM进行二分类,判断是否有火。实验结果表明该算法提高了聚类算法在实际应用中的效率,克服了已有火灾识别算法过分依赖阈值的局限性,适用于室内大空间基于视频监控的火灾探测。     

结合四元数与最小核值相似区的边缘检测

目的 针对传统彩色图像边缘检测方法中未充分利用图像色度信息、颜色模型间非线性转换过程中时间和空间的大量耗费、算法实现复杂等问题,将四元数引入最小核值相似区（SUSAN）算法中,提出一种RGB空间下的结合四元数与最小核值相似区的边缘检测算法。方法 该算法首先对彩色图像进行四元数描述,然后用改进的SUSAN算子进行边缘检测。针对其中单一几何阈值g的限制,以及检测出的边缘较粗等问题,本文采用Otsu算法自适应获取双几何阈值,再对弱边缘点集进行边缘生长,最后根据USAN重心及其对称最长轴来确定边缘局部方向,实现对边缘点的局部非极大值抑制,得到最终细化后的边缘图像。结果 实验选取1幅合成彩色图像及3幅标准图像库图像,与彩色Canny算法、SUSAN算法,及采用单阈值的本文算法进行对比,并采用Pratt品质因数衡量边缘定位精度。本文算法能够检测出亮度相近的不同颜色区域之间的边缘,且提取的边缘比较连续、细致,漏检边缘较少。与公认边缘检测效果较好的彩色Canny算法相比,本文算法的品质因数提高了0.012 0,耗时缩短了2.527 9 s。结论 本文提出了一种结合四元数与最小核值相似区的边缘检测算法,实现了四元数与SUSAN算子的有效融合。实验结果表明,该算法能够提高边缘定位精度,对弱噪声具有较好的抑制能力,适用于对实时性要求不高的低层次彩色图像处理。