边缘检测滤波尺度自适应选择算法

为回避多尺度边缘检测中融合多幅图像涉及的启发性规则, 同时克服 Jeong 算法的局限性, 本文首先基于 Tan 的广义边缘定义设定一个适应度函数, 然后采用自适应遗传算法针对单个像素及其邻域结构的特征搜索最佳滤波尺度得到局部最佳边缘检测尺度, 最后由最佳尺度高斯滤波器得到最终边缘图像. 实验证明能够得到令人满意的结果.     

自适应多结构元形态学边缘检测方法

对自适应选取结构元权值以及如何有效去除混合噪声是多结构元形态学边缘检测中尚待解决的两个问题,在深入研究各种形态学边缘检测方法的基础上,提出了基于灰度距离逻辑函数和基于边缘方差两种自适应多结构元形态学边缘检测方法。首先对原始图像进行最优阈值分割二值化,其次从灰度距离和边缘方差两个角度分别实现结构元的自适应选取,最后选择形态算子进行边缘检测。方法具有更好的抗噪性和灵活性,能更加精确的体现原有图像的边缘方向信息。通过仿真实验,验证了方法的可行性和有效性。     

基于FPGA硬件实现的图像边缘检测及仿真

图像边缘检测是图像分割,目标提取等数字图像处理领域中关键的步骤,对于性能和处理时间制约着后续图像处理的性能和整体的处理时间。提出一种FPGA的实时图像边缘检测系统。该系统以FPGA为平台,用VHDL硬件描述语言设计并实现了一种自适应的Canny边缘检测算法。在设计过程中,通过改进算法和优化系统结构,在合理利用硬件资源的基础上采用了流水线技术。之后通过ModelSim软件进行仿真,仿真结果表明,在FPGA中实现算法能够有效实时地检测出复杂图像的边缘。     

基于自适应堆滤波的边界检测

从被噪声干扰的图象中提取边界是图象测试与分析的关键之一。通常需要先滤除图象中的噪声，再用边界检测算子求出边界。本文介绍了一种边界直接检测法，即将边界检测与噪声滤波相结合，它是基于自适应堆滤波的边界检测法。首先非线性堆滤波器用于求出图象某象素点邻域内的灰度最大值与最小值的最优估计，然后以此两估计值之差代替原象素点灰度值。最后对之二值化求出边界。本文根据最小平均绝对误差准则，采用自适应方法求解堆滤波器。这种方法类似于线性自适应滤波器的ＬＭＳ方法，先任设一初始堆滤波器，利用期望图象与合噪声图象对堆滤波器进行迭代训练，最后求出最优化的自适应堆滤波器。文章最后给出了采用自适应堆滤波法求取图象边界的试验结果，表明这种方法可以有效地抑制各种分布的噪声干扰。     

基于预测的自适应边缘检测新方法

图像的边缘是图像最基本的特征之一,边缘检测是提取图像特征的重要手段.首先利用梯度调节预测器(Gradient Adjusted Predictor:GAP)对图像进行预测,然后针对预测得到的误差图像,提出了一种基于梯度均值直方图的自适应阈值选取方法,利用得到的阈值来分类边缘与非边缘;为了获得单像素边缘,利用细化算法对边缘图像进一步细化,得到最后的边缘图像.仿真结果表明,与其它方法相比,本文方法检测到的边缘边界特征细腻、连续,定位精度较高,得到的实验结果比较理想.     

基于自适应免疫遗传算法的边缘检测

为了使检测的图象边缘结构定位好 ,并且产生连续的精细边缘 ,同时能滤除边缘图象中的噪声干扰 ,基于费用函数最小化方法 ,提出了一种自适应免疫遗传算法用于图象的边缘检测 .为了保持群体中个体的多样性 ,同时加快算法的收敛速度 ,该算法中交叉、变异和免疫算子采用了自适应变化而非固定的概率 ,同时免疫算子采用了几何形式的退火选择方案 .由于该算法能够有效地利用局部边缘结构的一些先验知识和特征信息制作成免疫疫苗 ,其局部搜索能力较经典的遗传算法有很大的提高 .该方法用于灰度图象时产生了令人满意的检测效果 ,并对噪声有较好的抑制作用     

基于遗传算法和梯度算子的图象边缘检测

图象边缘检测是计算机图象处理的最基本步骤之一。由于噪声的干扰和图象光照不均匀等因素的影响,目前的图象边缘检则方法还不能有效地检测出各种不同模式的边缘。在分析了几种常用边缘检测方法及其存在的检测精度不高,抗噪声性能较差等不足基础上,给出了一种基于遗传算法和梯度算子的图象边缘检测算法,该算法明显提高了检测精度和抗噪声能力。     

一种基于灰度差统计的边缘检测方法

提出了一种新的基于灰度差统计的边缘检测方法。该方法基于全图的灰度差统计获得初步边缘判定阀值，可以降低边缘检测结果对噪声的敏感程度，并且不需要进行边缘方向估计，而是引入灰度脊跟踪优化算法，使边缘检测结果其有连续性和准确性。由于使用了检测结果优化算法，有效地避免了一条真实边缘对应多条边缘检测结果的情况。实验证明该疗法应用在大部分真实图像的边缘检测效果优异，同时运行速度能满足大部分边缘检测应用的需要。     

用Sobel算子细化边缘

提出了一种用Ｓｏｂｅｌ算子细化边缘的新方法,通过引入衰减因子得到不失真的灰介边缘图Ｐ１,然后将灰阶边缘图Ｐ１用Ｓｏｂｅｌ算子进行正理２,得以边缘的边缘图Ｐ２,再用前者减去后者得差值图Ｐ３,再将Ｐ３中为负的点改为０,用以除去３图中边缘外侧的点,从而得取边缘产细的边缘,对于边缘模糊的部分这种过程可以重复多次,最后也可得到较细的边缘（但不一定连接）,此种方法对于处理其它边缘检测方法得到的边级也有效。边缘     

自适应边缘检测方法的研究

图像的边缘是图像最基本也是最重要的特征之一。边缘检测一直是计算机视觉和图像处理领域的经典研究课题之一,在精确制导武器中有着广泛的运用。针对经典边缘检测方法在阈值选取中存在的问题,在分析几种二值化阈值选取方法的基础上,提出了自适应的边缘测检方法。基于C++Builder语言,研究了该方法的设计并得到了实现。通过实验验证,说明了该文方法的实用性和有效性。     

Delphi实现图像边缘检测

总结了计算机图像边缘检测的基本步骤和原理,分析了实现图像边缘检测三种基本边缘算子,给出了基于Delphi编程工具的图像边缘检测的实现方法。     

一种基于置信度的边缘检测方法

该文针对传统的边缘检测方法不能同时利用像素梯度的相位信息和幅度信息的缺点,提出一种基于边缘置信度的边缘检测算法.首先,由中心象素的梯度方向确定标准模板,然后将归一化的数据矢量和标准模板的相关系数的绝对值定义为边缘置信度.在确定像素局部极值点的时候利用了非极大抑制的方法;在确定边缘点的时候用了磁滞阈值处理.在两种处理过程中,将归一化的梯度幅度和边缘置信度都作为判别依据,既增加了对弱边缘的检测能力,同时,还能很好的抑制噪声的影响.     

基于自适应噪声闭值的EMD域多尺度边缘提取

为了利用经验模式分解(EMD)方法对具有不同信噪比的信号提取边缘信息,提出一种采用中位数绝对离差方法来佑计噪声阂值的EMI)域多尺度边缘提取算法。该算法首先采用EMD方法求得各尺度残余分量的抖率信号;其次采用阂值化方法去除斜率信号中的噪声,其中噪声阈值采用中位数绝对离差方法求得;最后经空间一致性检验,输出信号的边缘信息。仿真实验结果显示,基于自适应噪声阂值的EMD域多尺度边缘提取可以准确提取信号边缘信息,同时抑制噪声信号。     

彩色图像边缘检测算法

本文分析了常用的梯度算法,提出了针对灰度图像和彩色图像的改进思路,并编程实现这些算法。在RGB空间上实现的彩色图像边缘增强算法,可直接用于二值图像和灰度图像。改进后的算法简单易行,能有效地增强图像的边缘,具有较好的实用价值。     

一种基于边缘检测的图像去噪优化方法

为了消除或衰减存在于图像上的噪声,同时尽可能地保留图像细节,提出基于边缘检测的图像去噪算法.先通过小波边缘检测法求出有噪图像的边缘图像;再通过小波边缘检测方法确定哪些小波系数是图像的边缘特征,这些小波系数将不受阈值去噪的影响,因此,可以只是根据噪声方差来设置去噪的阈值,对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像.实验结果表明,与普通的小波阈值去噪方法相比,上述算法不但能在有效去噪的同时保留图像的细节信息,而且能提高去噪后图像的峰值信噪比.     

基于边缘增强扩散的AFM图像边缘检测

在原子力显微镜（AFM）图像边缘检测中,针对其噪声干扰以及目标与背景之间差异微小等问题,提出了一种新的解决方法。其基本思路是采用基于图像梯度统计知识选取合理的梯度阈值来构造边缘增强扩散算子,利用该算子对AFM图像进行边缘保留去噪处理后,用Canny算子检测并标记其边缘。实验采用固液界面AFM图像来对上述检测方法进行评价,从实验结果来看,这种方法在边缘检测精度上优于传统的Roberts边缘检测等方法。     

基于LSBMR图像边缘自适应隐写的检测

在图像边缘自适应LSB匹配改进隐写算法中,秘密信息嵌入位置的选择仅由某个方向上像素对的差值决定,未考虑该像素与其邻域内其他像素的差值变化的特点.针对该问题,对隐写前后图像的八方向差分直方图进行分析,提出一种基于LSB匹配改进算法(LSBMR)边缘自适应隐写检测的算法.该算法计算图像的八方向绝对差分直方图,提取直方图中隐写前后变化较为明显的频数用以构建特征向量,并使用支持向量机完成检测.对较低嵌入率下(≤0.5 bpp)的EALSBMR隐写结果进行检测,结果表明该算法的平均检测率均高于现有典型的隐写分析算法.     

基于模糊聚类的缺损图像的边缘检测

模糊聚类算法(FCM)应用于数字图像的边缘检测已取得了较好的效果。通常情况下要进行检测的图像是完整的,但也存在边缘不完整或模糊的情况,这时原来的FCM算法就难以直接应用。该文提出了不完整数据的模糊聚类算法,对原FCM的算法公式进行了修正,并将其应用到局部域上有缺损的图像边缘检测中。实验结果表明,修正后的算法能较精确地恢复边缘缺损部分的信息,并实现其边缘检测。     

基于图形处理器的边缘检测算法

边缘检测是一种高度并行的算法,计算量较大,传统的CPU处理难以满足实时要求。针对图像边缘检测问题的计算密集性,在分析常用边缘检测算法的基础上,利用CUDA(Compute Unified Device Architecture,计算统一设备架构)软硬件体系架构,提出了图像边缘检测的GPU(Graphics Processing Unit,图形处理器)实现方案。首先介绍GPU高强度并行运算的体系结构基础,并将Roberts和Sobel这两个具有代表性的图像边缘检测算法移植到GPU,然后利用当前同等价格的CPU和GPU进行对比实验,利用多幅不同分辨率图像作为测试数据,对比CPU和GPU方案的计算效率。实验结果表明,与相同算法的CPU实现相比,其GPU实现获得了相同的处理效果,并将计算效率最高提升到了17倍以上,以此证明GPU在数字图像处理的实际应用中大有潜力。     

基于数学形态学的图像边缘检测算法的研究

为了提高图像边缘检测的效率、降低噪声对图像边缘检测的影响,提出了一种基于数学形态学的图像边缘检测算法。该算法引入多元结构元素的概念,提出了一种改进的形态学边缘检测算子,能够有效地检测出带有噪声的图像边缘,并保持边缘的平滑性。实验结果表明,与传统边缘检测算子相比较,该算法杭噪声性能良好,实时性较好,具有一定的实用性和可行性。