图像灰度熵特征与SVM分类结合的人脸检测

提出了一种基于支持向量机并综合图像灰度值和灰度熵的人脸检测方法.在信息论的编码熵的基础上提出了灰度熵的概念,并把人脸图像的行像素灰度熵和列像素灰度熵作为人脸图像的部分特征.在人脸检测系统中,把人脸图像的灰度值和行像素灰度熵和列像素灰度熵作为特征用支持向量机进行训练,得到检测用分类模型,然后把分类模型应用于人脸检测.实验证明了这种方法的有效性.     

基于灰度-梯度共生矩阵的钢轨表面缺陷检测方法

根据钢轨表面缺陷的灰度和梯度特征,提出了钢轨缺陷自动检测方法:基于灰度-梯度共生矩阵为模型提取钢轨缺陷的内边缘,其中以最大熵方法自动求取灰度-梯度二维阈值向量,利用形态学方法对分割后的二值图像进行后期处理,有效区分正常轨面、缺陷区域、阴影和干扰区域.实验表明:本方法能较好地对钢轨表面缺陷进行检测.     

图像灰度熵特征与SVM分类结合的人脸检测

提出了一种基于支持向量机并综合图像灰度值和灰度熵的人脸检测方法．在信息论的编码熵的基础上提出了灰度熵的概念，并把人脸图像的行像素灰度熵和列像素灰度熵作为人脸图像的部分特征．在人脸检测系统中，把人脸图像的灰度值和行像素灰度熵和列像素灰度熵作为特征用支持向量机进行训练，得到检测用分类模型，然后把分类模型应用于人脸检测．实验证明了这种方法的有效性。     

混合神经网络在颗粒图像边缘检测中应用

提出了一种应用混合神经网络进行颗粒图像边缘检测的方法·边缘候选图像是通过采用基于灰度极小值算法提取边缘候选像素获得,神经网络以边缘候选图像中的边缘候选像素及其邻域像素的二值模式作为训练样本·对经过噪声污染的图像进行实验表明,该方法获得的边缘图像封闭性较好、边缘描述真实,适用于颗粒图像的边缘检测·     

利用位平面欧拉-熵向量的图像检索方法

首先将图像分解为8个位平面,选择前4个重要位平面,求出其灰度码表示,计算出每个灰度码位平面的欧拉数,组成欧拉向量;其次计算出每个灰度码位平面的信息熵,组成位平面熵向量;再把欧拉向量和位平面熵向量特征综合为一个新的图像特征,最后采用马氏距离计算图像间的相似度.实验结果表明本方法维数低,速度快,且避免了图像量化造成的误检,与比位平面熵算法和欧拉向量算法相比,检索效率高.     

一种改进的基于梯度的自适应边缘检测算法

对常见的边缘检测算法进行改进,从梯度的定义出发,提出了一种应用于灰度图像的自适应阈值边缘检测算法.根据边缘处像素灰度值的差异,将模版中的9个像素分两组进行分析,计算出像素的梯度幅度和梯度方向.按梯度值的不同将图像分割成若干个区域,计算每个区域的灰度平均值,确定阈值,实现边缘检测.实验表明,该方法检测出的边缘更细、更准确,可以除去虚假的边缘,是一种有效的对灰度图像进行边缘检测的方法.     

基于二维阈值向量分割的足迹边缘提取方法

根据足迹图像特点,提出了基于灰度 梯度二维阈值向量区域分割的边缘提取方法·该方法以灰度 梯度共生矩阵为模型,利用最大熵原理,自动求出灰度 梯度二维阈值向量;用此二维阈值向量对图像进行区域分割,具有抗干扰能力强和正确分割模糊边缘像素的特点,构造两个适合足迹图像特点的结构元算子,对区域分割后的二值图像作数学形态学运算,以光滑边缘、提取边缘·大量实验表明,用本文方法提取的足迹边缘光滑,与原始图像具有很高的相似性;噪声得到抑制,取得令人满意的效果·     

基于Unit-Linking PCNN的灰度图像边缘检测

 利用Unit-Linking PCNN模型,结合最小交叉熵准则,边缘检测预处理,均匀分块处理,将灰度图像分割成二值图像,在二值分割图基础上实施Unit-Linking PCNN边缘检测.边缘检测预处理以块状增强方式增强了图像对比度,强化了图像边缘;均匀分块处理实现了灰度图像的近似多阈值分割.分析了边缘检测预处理中各步骤的作用,比较了不同均匀分块数目对边缘检测结果的影响.与Canny算子和相关文献结果相比,该研究检测的边缘体现了更丰富的图像细节,且神经元模型参数对图像边缘检测结果的影响较不敏感.仿真结果表明,该方法具有较理想的灰度图像边缘检测结果,具有较好适用性.     

基于Unit-Linking PCNN的灰度图像边缘检测

利用Unit-Linking PCNN模型,结合最小交叉熵准则,边缘检测预处理,均匀分块处理,将灰度图像分割成二值刚像,在二值分割图基础上实施unit-Linking PCNN边缘检测.边缘检测预处理以块状增强方式增强了图像对比度,强化r图像边缘;均匀分块处理实现了灰度图像的近似多阈值分割.分析了边缘检测预处理中各步骤的作用,比较了不同均匀分块数目对边缘检测结果的影响.与Canny算子和相关文献结果相比,该研究检测的边缘体现了更丰富的图像细节,且神经元模型参数对图像边缘检测结果的影响较不敏感.仿真结果表明,该方法具有较理想的灰度图像边缘检测结果,具有较好适用性.     

结合灰度熵变换的PCNN小目标图像检测新方法

为了自动地进行小目标图像分割检测,从含单一弱小目标图像的特征出发,提出了一种结合灰度熵变换的脉冲耦合神经网络(PCNN)小目标图像分割检测新方法. 该方法在对有随机噪声和复杂背景图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值灰度图在满足先验概率目标背景比条件下,选择包含单一小目标局部窗口作为处理图像区域,并在局部最小交叉熵判据下,进行改进型PCNN迭代分割检测处理. 实验结果表明,该方法不仅能可靠地检测出复杂背景及随机噪声干扰下弱小目标,并且在PCNN运行处理过程中,可自动地完成最佳分割检测.     

基于一种新模糊增强算子的图像边缘检测算法

借鉴广义模糊集的特性,提出了一种新的模糊边缘检测算法:利用一个简单的隶属度函数将空域图像转换到[0,1]的普通模糊域;然后通过一个简单的增强算子先将其扩展到[-1,2];由于一般情况下物体域(物体内部区域)主要以高灰度为主,背景域(物体背景区域)主要以低灰度为主,而过渡域(物体边缘区域)则以高梯度为主,本算法目的是对图像进行边缘检测,先不对它进行转换或截断,而将其转换到图像准灰度域,相当于把图像的物体域和背景域放到了[0,255]的区域以外;然后采用"min"或"max"算子进行所谓的边缘提取,最后将提取的"边缘"数据进行截断处理,从而将图像数据转换到图像的空间域,即图像的灰度域。从边缘检测结果来看,本算法更适合于低对比度、含有较精细部分以及纹理丰富的图像检测,且耗时较小。     

基于边缘检测及灰度跳变的车牌定位算法研究

为了能在复杂背景及不同光照条件下准确地定位出车牌,提出了一种基于边缘检测和灰度跳变的车牌定位算法．该算法首先对获取的图像进行灰度化、图像二值化等预处理操作,提高图像质量,突出车牌信息,接着对车牌图像进行边缘检测,在此基础上采用水平方向和垂直方向上的灰度跳变统计来确定车牌区域的上下边界和左右边界,从而实现车牌定位。实验结果表明,该方法可以比较准确、快速地实现车牌区域的定位．     

基于梯度二阶导数的Canny阈值自适应选取算法

图像边缘含有丰富的图像信息,对于很多视觉系统至关重要,比如目标检测与图像分割等。传统的Canny算子仅能用于灰度图像,无法有效利用彩色图像中的颜色信息;此外,该方法需要人为设定高低阈值,不能自适应提取图像边缘,进而造成背景边缘放大等问题。提出了一种基于Canny的自适应彩色图像边缘检测算法;该算法首先通过图像一阶直方图的统计特性,自适应地选取高斯滤波器的参数σ,有效去除了噪声;同时改善了σ参数设置不合理对边缘检测的影响。其次采用了基于图像梯度二阶导数的阈值选取的方法,即根据图像特性自适应选取合适的阈值。实验结果表明:算法能很好地改善传统Canny算子的缺陷,对于彩色图像的边缘信息提取能达到很好的效果。     

基于BP网络的工业CT图像边缘检测

采用改进的BP算法,实现工业CT图像的边缘检测。本文构造了学习样本,可以在较短时间内训练得到权值矩阵,从而实现二值图像边缘检测。并在此基础上,综合灰度图像各位面的边缘提取结果,实现对灰度图像的边缘检测。通过对发动机CT图像的实验,证明利用本文得到的权值矩阵用于边缘检测,泛化性较好,抗噪能力强,能得到较为连续精细的边缘。     

海面目标自适应实时检测

针对海面运动载体所获得的可见光序列图像及图像自身特点,提出了一种既适应于海天背景下的小目标而又适应于海岸背景下的大目标的目标快速自动检测方法.首先,量化子图像的区域复杂度以及单元区域上、下邻域的灰度差异,以预测并定位海界限区域,摒弃不含海界限区域的图像;采用周围纹理抑制方法改进的Canny算子提取海界限区域的主要轮廓,并进行Hough变换而提取海天线或海岸线;依据海界线上的灰度环境判断背景,在划定线附近的局部区域,凭借该区域内海面灰度的平缓特性而对其进行聚类提取目标;分析剩余海面灰度的统计特征,求取属于海面区域的灰度范围,快速区分海面区域和非海面区域;最后,进行后续处理,以剔除伪目标并标记真实目标.结果表明,该方法处理单帧图像的平均耗时在100 ms以内,具有较好的准确性和实时性.     

基于梯度信息的灰度人脸检测

针对灰度图像提出了一种有效的人脸检测算法。首先对原始灰度图像利用Sobel边缘检测算子得到水平方向的梯度信息;在此基础上,结合人的眼睛灰度信息得到眼睛的初步候选区域,并根据眼睛的几何特征删除非眼睛区域;然后利用眼睛的几何特征以及人脸的“三停五眼”特性确定真正的眼睛和嘴的区域,在精确定位眼睛和嘴的几何位置后确定人脸区域;最后利用人脸的左右对称性来验证人脸。实验表明,该算法对于灰度图像的正面人脸定位以及人脸检测具有良好的效果。     

一种基于犹豫中智集和水平集的图像分割方法

皮肤镜图像分析技术的第一步为图像分割,分割的结果会直接影响到后续的处理过程,针对具有背景噪声、模糊边缘和灰度不均的皮肤镜图像,提出了一种新的结合水平集的犹豫中智集图像分割方法;首先利用犹豫中智集理论将图像转换为犹豫中智集图像,其中犹豫中智图像由三类子集组成(T、I、F),利用犹豫中智集图像突出表达图像的目标信息和边缘信息;然后针对传统 DRLSE 水平集的不足进行改进,构造新的边缘停止函数,并增加灰度驱动能量项,最后通过改进的DRLSE 水平集对 ISIC(2018)皮肤镜图像进行分割测试;实验结果的交并比(Jaccard Index)值均大于 95%,且均方误差(MSE)、峰值信噪比(PSNR)和结构性相似指数(SSIM)均表现良好,表明方法能够准确、有效的分割具有模糊边缘和灰度不均的皮肤镜图像,对后续的皮肤镜图像的处理与诊断奠定了基础。     

适于路面破损图像处理的边缘检测方法

根据路面图像存在的背景不均、损坏比例低和损坏方向不规则的问题,提出了适于路面损坏图像处理的边缘检测方法.在传统边缘检测方法的基础上,引入了预处理和边缘增强.其中预处理包括背景校正、高斯平滑、灰度直方图变换,并提出有效灰度区间的概念;边缘增强则采用了数学形态学的膨胀运算和中值滤波.针对路面损坏图像实例,采用8方向Sobel算子和最大类间方差分割算法,按照上述流程进行边缘检测.结果表明,该方法能有效降低噪声对路面图像处理的影响并最大限度地保留图像中的损坏特征,而背景校正和基于有效灰度区间的灰度直方图变换则是该方法的关键.对经过预处理的边缘图像,最大类间方差法可取得理想的分割效果.     

边缘检测的分层松弛方法

本文基于图象的分层表示,提出了一种边缘检测的分层松弛方法。实验结果表明,本文方法计算简单,运算速度快,而且不受噪声影响,能有效地应用于细胞图象的边缘检测。