Canny边缘检测算法在飞腾平台上的实现与优化

为实现国产飞腾DSP平台对底层图像库的支持,针对原始Canny边缘检测算法计算时间过长的问题,设计一种面向FT-M7002平台的Canny梯度计算并行算法.基于FT-M7002高性能处理架构,采用单指令流多数据流向量化方式增强DSP内核指令的并行处理能力,根据FT-M7002平台向量存储器的层次结构特征,分析Canny...     

图像边缘检测相关算法研究

首先论述了两类图像边缘检测方法,然后论述了图像边缘评价指标,即误检率和定位精度,最后从R0berts算子、Sobel算子、LOG算子、Otsu算法等几个方面,详细论述了相关经典的图像边缘检测算法。     

基于细胞膜优化的图像边缘检测算法研究

研究图像边缘准确检测的问题.传统的像素阈值分割算法虽然考虑了图像的空间信息,但是由于解空间维数增加,搜索范围增大,导致计算时间延长,求解最优阈值的速度较低,同时传统二维熵的计算中只考虑了像素的概率,忽略了灰度的概率,导致分割不准确.为了避免上述缺陷,提出了一种基于细胞膜优化的图像边缘检测算法.利用图像内部像素差值方法,提取目标图像的边缘特征,为图像的边缘检测提供准确的数据基础.利用细胞膜优化方法,计算边缘最优边界像素点,从而实现图像的边缘检测.实验结果表明,利用上述算法能够有效提高图像边缘检测的准确性.     

医学图像边缘检测算法的研究

边缘检测是医学图像处理中非常重要的一个环节,通过对几种经典边缘检测算法的分析,提出了一种基于Canny算子的改进算法.该算法以图像增强法代替原算法中的高斯滤波,以去除图像中的计算噪声,达到更好的边缘检测效果.仿真结果表明,该算法边缘检测定位精度得到较大的提高.     

一种新的图像边缘检测算法

提出了一种新图像边缘检测算法。与其他方法不同，该文从图像边缘的特性入手来解决边缘检测问题，为此定义了一系列边缘点约束条件作为算法基础，并用集合论的方法解决了这些约束问题，进而建立了整个边缘检测算法。     

储粮害虫图像边缘检测算法研究

阐述了基于机器视觉的在线粮库虫情测报系统的系统结构,论述了害虫图像边缘检测是该系统的关键模块。在此基础上详细分析了Roberts算子、Sobel算子、Krisch算子、高斯-拉普拉斯算子在害虫图像边缘检测中的应用。在VC++ 60平台上实现了这四种方法对粮样图像的边缘检测算法程序的同时,还分析比较了这四种算法对特定粮虫图像边缘检测处理效果的优劣。     

蚁群优化模式下的图像边缘检测算法分析

边缘是图像中最基本、最重要的特征因素之一,也是图像工程中进行图像处理与分析的重要步骤;蚁群算法体现出较强的鲁棒性、正反馈性以及分布式处理等特点,是一种新型的搜索优化算法,因此其在组合优化方面的应用也越来越广泛。本文就以蚁群优化模式为基础,提出一种图像边缘检测算法:文中具体阐述了图像边缘检测的相关概念与常用检测方法;针对实例提出边缘检测蚁群算法,并对实验结果进行分析。     

粒子群优化算法在图像边缘检测中的研究应用

边缘检测在图像处理中占有重要地位,其效果好坏直接影响到后续的图像分析和处理,常用的Sobel算子和Pre-witt算子提取的边缘图像存在着丢失边缘细节的现象.文中将粒子群优化算法引入到图像边缘检测中,通过优化梯度算子来得到图像最佳边缘.实验结果证明,所提的方法可以很好地解决细节边缘丢失的问题,值得深入研究.     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。     

图像边缘检测算法概述

本文依次介绍了经典的边缘检测算子、近年新兴的边缘检测算子以及使用较少的其它边缘检测算子中典型的两类,并分析它们的优点、擅长处理的情况以及存在的一些问题。比较全面地阐述了当今边缘检测算法的研究现状。     

面向边缘智能计算的异构并行计算平台综述

边缘智能计算对硬件资源的需求复杂多元,传统计算平台难以为继,异构并行计算平台成为边缘智能算法落地的关键途径之一。以深度学习算法和边缘计算为牵引,对异构并行计算平台展开研究。一方面,阐述了传统计算平台适配实现边缘智能计算的优缺点,指出边缘端应用场景中传统计算平台算力与功耗矛盾突出等局限性,并以指令模型、通讯机制和存储体系三个关键技术为线索梳理技术发展脉络。另一方面,从运算速度、功耗等角度重点对比分析了近年来典型异构平台较新的代表性产品,然后针对不同应用场景和约束条件给出了异构平台的选择建议：优先选择CPU+X组合的异构平台。功耗要求严格约束下的应用建议优先选择CPU+FPGA组合;功能迭代更新快的场景建议优先选择CPU+GPU组合;算法成熟且对实时性和功耗均具有高要求的应用优先选择ASIC计算平台。提出了异构并行计算平台在指令模型统一、通讯机制轻量化、存储体系灵活性以及开发生态完备化四个方面的问题与挑战,期望能为该领域研究人员带来一定的启发。     

基于蚁群算法的噪声图像边缘检测

针对噪声图像边缘检测问题,提出了一种基于改进蚁群算法的边缘检测方法。算法对蚁群算法收敛速度慢,易收敛于局部最优解的缺点进行了优化,引入了改进的蚂蚁生命周期策略,综合考虑像素邻域差和图像边缘曲线连续性等因素来确定启发式引导函数,在蚂蚁搜索起始点的选取、蚂蚁路径选择策略、信息素更新策略、启发因子的选择等方面提出了优化,实验证明,算法在收敛速度和边缘检测效果上相比传统蚁群算法有了较明显的改善,是一种较为有效的边缘检测方法。     

基于蚁群优化的图像边缘检测算法

为提高图像边缘检测的精度与抗噪性能,提出一种基于蚁群优化的图像边缘检测算法.将图像像素梯度值和像素圆形邻域统计均值的相对差共同作为蚁群的启发信息,引导蚁群搜索图像边缘.实验结果表明,该算法能最大限度地保留边缘细节,并能抑制噪声和纹理,具有较好的鲁棒性.     

一种改进的图像边缘检测算法的研究

图像边缘时图像的基本特征之一,阐述了边缘检测的基本理论和传统的边缘检测算子理论,提出了一种改进的图像边缘检测方法。通过实验表明,该方法能够有效的对图像边缘进行检测,目标边缘定位精度较好,并且能有效减少噪声对图像的干扰,从而提高了图像边缘检测的抗干扰能力。     

基于边缘计算的进化多目标优化图像隐写算法

边缘计算解决了终端因计算资源有限而不能运行复杂应用的弊端,在实际应用中可以支持计算资源受限的终端实现基于图像隐写的隐蔽通信.提出了一种适用于边缘计算场景的进化多目标优化图像隐写算法,首先将优化隐写不可察觉性和隐写安全性作为目标函数,给出了图像隐写的形式化定义;其次通过多个定向和非定向的高通滤波器对图像进行预处理,得到叠加的滤波残差作为秘密信息嵌入的候选位置;然后利用遗传算法中的基因操作,在候选位置中逐代寻找适应度高的个体以得到进化多目标优化问题的最优解;最后,在最优解对应的像素位置实现秘密信息的嵌入.通过和现有算法的仿真对比分析结果表明：提出的算法能够很好地保持图像质量,具有较好的抵抗隐写分析的能力.     

基于图像分块的边缘检测算法

Canny算子高低阈值的选取依赖图像全局梯度信息的统计,图像全局梯度信息和局部梯度信息的分布通常存在差异,导致在局部范围中较明显的边界可能被漏检。针对该问题,提出一种根据图像熵信息对图像进行分块的边缘检测改进算法,并将其用于Canny算子。实验结果证明了该方法的有效性,其检测效果优于直接运用Canny算子。