基于Canny算子的织物疵点边缘检测

介绍了Canny算子边缘检测的方法,运用Canny算子对织物疵点进行边缘检测,获得了织物疵点的二值化图像,准确地反映了织物疵点的边缘.通过对不同边缘检测算子仿真实验结果的比较,结果表明,该方法可以取得较好的疵点边缘检测结果,是一种实用有效的方法.     

基于区域生长型PCNN模型的织物疵点分割

提出一种新的织物疵点自动分割的方法。该方法将待检测织物图像的像素点映射为脉冲耦合神经网络中的神经元,根据织物疵点图像的特点将改进的脉冲耦合神经网络模型同区域生长的理论结合起来,同时综合无疵点样本织物图像的统计信息完成了图像疵点区域的自动分割。最后,通过对TILDA数据库中疵点图像的检测实验,说明了该方法在织物疵点检测中应用的有效性和可行性。     

基于Contourlet变换的多方向织物疵点边缘检测

基于小波的多尺度织物疵点边缘检测算法只能在水平、垂直和对角方向获取边缘信息,容易造成方向性边缘的丢失。提出一种基于Contourlet变换的多方向织物疵点边缘提取算法,对织物疵点图像Contourlet分解后多个方向上的高频子带系数进行自适应阈值去噪,求取各方向子带系数的模极大值,将高频模极大值系数与低频系数进行反变换,通过直方图统计及去除孤立点的细化方法得到织物疵点边缘。仿真结果表明,该方法得到的疵点边缘信息更加丰富,尤其对棉结等区域类疵点能得到更加逼近疵点真实边缘的检测结果。     

织物疵点检测方法研究

本文首先介绍了织物疵点检测的常见方法及优缺点,然后介绍了它们在疵点检测系统中的应用情况,最后进行了总结和展望。     

一种基于PCNN的医学图像边缘提取方法*

边缘提取是图像处理的基础工作,如何精确、有效地提取边缘是图像处理领域相关学者讨论的热点问题,由此产生的各种边缘检测方法层出不穷并且得到了很好的应用,但这些方法都无法达到人眼识别物体边缘的精确程度。目前脉冲耦合神经网络（pulse coupled neural network, PCNN）是图像处理领域较为接近生物视觉进行图像处理的有力工具。改进基本的PCNN模型,提出了一种新的模拟生物视觉提取图像边缘的方法,该改进方法有效地利用了PCNN的特性。将该方法应用于医学图像的边缘提取,并与几种经典边缘检测算法、     

基于纹理边缘周期性与局部方向性的织物疵点检测

根据织物纹理图像自身的特点,提出一种基于纹理边缘周期性与局部方向性的织物疵点检测新方法。通过正常纹理边缘的周期性与方向性特征剔除同类有疵点纹理图像的背景纹理信息,突出疵点信息,进而快速有效地检测出无特定方向的织物疵点。经过对大量常见织物疵点图像的检测实验,表明该方法对于纹理边缘清晰、方向一致性较好的织物疵点图像具有较好的检测效果。     

Unit-Linking PCNN中的彩色图像边缘检测

PCNN模型具有相似群神经元同步发放脉冲的特性,适合于图像分割。对彩色图像的亮度分量进行对数变换,使其更符合人眼的视觉特性;在PCNN进行彩色图像R、G、B三分量分割的过程中,利用遗传算法进行神经元关键参数的选择,利用偏态指标进行迭代控制;在Unit-Linking PCNN模型中实现R、G、B三分量分割图的边缘检测,利用加权合并策略得到最终的边缘检测结果。仿真结果表明,该方法得到的结果体现了图像中更多的轮廓细节,具有很好的自适应性。     

基于EM算法的高斯混合型的织物疵点检测研究

为准确检测织物在生产过程产生的疵点,提出了一种基于EM算法的高斯混合模型的算法来实现织物疵点的自动检测。由于织物背景纹理信息对织物疵点检测影响较大,采用均值采样对其进行预处理来消除背景纹理的影响,用高斯混合模型对新得到的图像进行处理。在进行高斯混合模型计算时分为E步骤、M步骤。E步骤初始化参数,计算样本像素的后验概率,M步骤更新高斯混合模型中的各参数。根据计算各像素的后验概率判断各像素点应该属于疵点部分还是非疵点部分。实验结果证明该算法能检测、分割出较多种类的织物疵点,具有较好的有效性和可靠性。     

基于离散小波变换的织物疵点检测方法

提出了一种基于离散小波变换的织物疵点检测新方法。首先通过对采集织物图像进行小波变换,然后把子图分割为相互连接、互不交叠的子窗口,计算每个子窗口小波系数的标准差作为特征值,最后对这些特征值再次计算标准差与极差,以此作为依据与正常织物进行比较,实现对织物疵点的检测。通过对不同疵点进行检测实验,证明了该算法是可行有效的,检测的正确率平均可达90%以上。     

结合简化PCNN和Zernike矩的遥感影像边缘检测方法

遥感影像边缘信息可以提高信息提取精度。但随着空间分辨率的提高,地物内部细节丰富,地物光谱异质性增强,导致边缘检测效果难以满足实际需求。针对现有传统方法对高空间遥感影像进行边缘检测易产生伪轮廓边缘的复杂问题,本文提出了一种简化脉冲耦合神经网络(Simplified Pulse Coupled NeuralNetwork,SPCNN)结合Zernike矩的边缘检测方法。该方法首先采用L0方法对遥感影像进行平滑滤波处理;然后采用SPCNN对滤波后的数据进行阈值分割;最后采用Zernike矩对分割后的影像进行边缘检测并对结果进行精度评价。为验证提出方法,选取两景遥感影像作为实验数据。实验结果表明,提出的方法与传统Canny算子相比有效提高了遥感影像边缘检测精度。     

PCNN在金属拉链缺陷检测中的应用

针对传统金属拉链缺陷人工检测方法效率低、稳定性差、误检率高等缺点,提出一种基于脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）和灰度跃变检测的金属拉链缺陷检测方法。针对拉链图像的特点,通过对传统PCNN进行改进以提高金属拉链图像二值分割处理速度;将传统PCNN和形态学理论相结合,提取链齿特征图像;采用区域像素统计与灰度跃变检测的方法实现金属拉链缺陷自动检测;完成检测系统的设计并进行实验研究。实验结果表明提出的检测方法快速、准确、可行。     

基于PCNN的图像边缘检测方法

通过对PCNN点火特性的分析,提出了一种利用PCNN点火阶梯特性和图像灰度统计特性进行图像边缘检测的新方法。在PCNN参数的设置过程中,采用了自适应设置的方法,使得该算法具有较好的实用性。仿真实验表明该方法可以有效地实现图像的边缘检测。     

基于多阈值PCNN的运动目标检测算法

在经典的基于混合高斯模型减背景算法的基础上,在脉冲耦合神经网络（PCNN）对前景和背景的分割过程中,运用了多阈值思想,其迭代次数由简化的最大熵准则决定,并且提出了一种新的模型学习率。经过实验证明,该算法在检测能力、抑制噪声、稳定性等方面得到了较好的改进。     

基于PCNN的二值文字空洞滤波

提出了如何用一种有生物视觉依据的人工神经网络——脉冲耦合神经网络(Pulse Coupled Nureal Network,PCNN)进行二值文字空洞滤波,即将二值文字中的空洞填满,从而便于后续的文字识别。计算机仿真结果表明,利用PCNN的脉冲传播特性,可快速而有效地将二值文字中的空洞填满,故基于PCNN的空洞滤波是一种有效的空洞滤波新方法。     

基于PCNN的改进脉冲噪声去噪方法

提出了一种基于噪声邻域结构分析的脉冲噪声去除方法。对脉冲耦合神经网络点火形式进行修改,通过对含噪图像进行点火,获得点火级别图像并定位噪声。对噪声点邻域结构进行分析,对不同邻域结构的噪声点进行分类。对邻域结构简单的噪声点采用中值滤波进行去噪;对邻域结构复杂的噪声点提出了一种基于区域隶属度的去噪方法。实验结果表明所提出的算法可以有效抑制图像中的脉冲噪声,并可以保留图像的边缘细节。     

基于Tetrolet变换与PCNN的图像增强

针对传统图像增强方法易损失边缘对比度以及抗噪性不强的缺点提出了一种基于Tetrolet变换与PCNN结合的图像增强方法。对待增强图像分别进行Tetrolet变换,得到不同尺度的高通和低通子带系数,并将分解后的高通子带系数进行软阈值处理;把经处理后的各尺度高通子带轮廓图像序列作为PCNN神经网络增强算子的外部输入,进而得到增强后的高通子带系数;通过Tetrolet反变换获得增强后的结果图像。数值实验结果表明,该增强算法不但能够有效抑制噪声,而且能够很好地增强图像边缘轮廓的清晰度。     

基于改进型PCNN的不规则图像自适应分割算法研究

针对不规则图像成分复杂、特征形状无法采用经典模型拟合等问题,提出了基于改进型脉冲耦合神经网络（PCNN）的自适应分割算法。该算法在原有PCNN模型基础上,对神经元反馈输入函数和动态阈值函数进行了修正,同时对神经元的输出采用多级输出模型,从而实现对不规则图像的分割。仿真实验表明,改进后的算法能够实现不规则图像的自适应分割,鲁棒性较好。     

基于改进PCNN的指纹图像细化算法

针对基于模板脉冲耦合神经网络(PCNN)指纹图像细化算法细化时间长、纹线断裂、细化不彻底等问题,通过增加4个细化模板,重新构造方形模板及改变细化过程,提出一种基于改进PCNN的指纹图像细化算法。实验结果表明,该算法能够较好地满足细化要求,细化彻底、速度快且纹线光滑无毛刺,能够应用于其他二值图像。     

基于双层并行PCNN和粗集理论的图像融合

为了能更好地进行多传感器图像融合,提出了一种基于双层并行PCNN和粗集理论的图像融合方法。该方法首先对两幅图像去噪,将一幅图像作为主PCNN网络的输入,另一幅图像作为从PCNN网络的输入,计算每幅图像的清晰度,分别将每幅图像的清晰度矩阵送入主从PCNN网络处理,然后根据粗集理论对原始图像分类,最后生成融合图像。该方法不仅能保留原图像信息,而且得到的融合图像清晰度高、对比度大。仿真实验结果以及与其他融合算法的比较,表明该算法的有效性和优越性。