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.     

一种自动提取阈值的方法

基于边缘检测思想的图像分割方法是图像处理中关于分割的一个重要领域.对图像进行边缘检测时,需要有确定的阈值,为了避免人工干预,阈值需自动提取.本文选取阈值时,可根据B样条函数光滑后的图像计算出正梯度图像,基于好的灰度阈值分割出的目标与背景之间的差距应该最大这一特点,对梯度图像应用这一原理以自动选取理想的梯度阈值.     

基于二维灰度熵及混沌粒子群的图像阈值选取

为了同时考虑直方图的概率信息和类内灰度级的均匀性,提出了基于灰度级-梯度二维直方图的Shannon灰度熵及Tsallis灰度熵阈值选取方法.给出了Shannon灰度熵和Tsallis灰度熵的定义及其一维阈值选取方法,导出了二维Shannon灰度熵及Tsallis灰度熵阈值选取公式及其快速递推算法,并利用混沌粒子群算法寻求两种阈值选取方法的最佳阈值.实验结果表明,与基于改进的二维最大熵及粒子群递推的阈值选取方法相比,所提出方法的分割图像能更准确地反映原始图像的边缘、纹理及细节信息.     

基于灰度-梯度共生矩阵的视网膜血管分割方法

提出了一种新的、有效的视网膜血管分割方法．它包括二维匹配滤波预处理以增强血管的灰度，以及用灰度-梯度共生矩阵的最大熵阈值化方法．该方法同时利用了图像的灰度和梯度信息．在计算梯度时选用了三次B样条小波．实验结果表明，该方法能较好地提取视网膜血管网络．     

一种新的虹膜定位算法

提出一种新的虹膜定位算法.首先根据虹膜图像的灰度分布特征进行粗定位,用阈值分割和二值图像形态学的方法提取瞳孔的圆心和半径,然后用边缘检测的方法提取虹膜的外边缘,最后用圆梯度灰度检测算子进行小范围的精确定位.实验结果表明,该算法提高了虹膜定位的速度,减少了传统虹膜定位算法中搜索的盲目性.     

基于相关向量机和方向导数的车辆识别

由于图像匹配需预先组建庞大的图片库以及图像识别对灰度梯度的严重依赖性,提出利用相关向量机和灰度的方向导数对车辆进行识别。针对不同车道数将背图像作为图片库的基元,对图片进行编码;对采集到的图像进行车道线提取,确搜索域;并进行相应的网格划分,依据灰度均值确网格的属性标签,从而建立图片的特征向量,将原图与模板特征向量的2范数作为表征指标,并利用相关向量机对车辆进行分类,从而对车辆进行位;对提取的车辆区域灰度进行函数拟合,通过求解函数极值确车辆的中心区域,并建立相应的搜索方向,将满足双阈值的像素点作为最终的轮廓边缘,从而实现对车辆轮廓边缘的细化。用大量真车试验图片对模型进行测试,结果表明:所建模型仅需有限的图片库,搜素量小,识别耗费时间短,准确率高;模型对图像灰度梯度的依赖性小,且通过双阈值有效剔除伪轮廓点,细化车辆边缘。     

结合离散熵和自组织神经网络(SOM)的边缘检测方法

提出了一种结合图像离散熵和自组织神经网络的边缘检测方法.首先,用离散熵选定阈值来分割图像的平滑区域和灰度变化剧烈的区域,用来减少计算量;其次将灰度图像转化为理想二值像素模式;定义了6个边缘类型和6个原型向量.将这些边缘向量作为神经网络的输入,通过SOM对其进行边缘分类从而获得边缘图像.最后将斑点边缘从边缘图像中去除即得到理想的边缘图像.实验结果表明,与其他的边缘检测方法相比获得了较为理想的边缘.     

梯度熵改进边缘检测的自适应阈值曲面分割算法

光照不均匀往往造成背景亮度不均和灰度分布范围较大,会导致图像分割困难和不准确.考虑图像的边缘信息受光线变化相对不敏感,引入梯度熵信息对Canny算法进行改进提取准确合适的边缘.采用最小二乘法的多项式曲面拟合获得阈值曲面,进而提出了基于梯度熵改进边缘检测的自适应阈值曲面分割算法.对多种背景灰度分布不均匀的图像进行算法验证...     

基于Arimoto熵和Zernike矩的刀具图像亚像素边缘检测

为满足基于机器视觉的刀具尺寸测量系统快速及高精度的要求,提出一种基于直线截距直方图的Arimoto熵和Zernike矩的图像亚像素边缘检测方法.首先,通过高斯滑动窗口获取图像的邻域平均灰度,构造图像的灰度-邻域平均灰度二维直方图,并利用直线截距法将其降为一维直方图;然后,针对得到的直线截距直方图,依据Arimoto熵准则进行阈值分割,并将所得阈值映射回原二维直方图实现目标区域及像素级边缘的提取;最后,由基于Zernike矩的边缘模型对获取的像素级边缘进行重定位,以完成刀具图像亚像素级边缘的提取.通过对刀具图像进行的大量实验,将文中方法与基于Canny的、基于空间矩的、基于灰度矩的以及基于Zernike矩的边缘提取方法进行对比,发现文中方法运行速度更快且提取精度更高.     

一种基于数学形态学的边缘检测算子

介绍了一种具有很好抗噪性的数学形态学梯度算子。该算子是以二值形态学为理论基础的,因此在处理灰度图时,文中选用了迭代阈值的方法对图像二值化,根据形态学基本算子的性质,将原有的形态学梯度算子进行改进,最后通过VC＋＋6.0编程实现。实验结果表明将迭代阈值与改进的梯度算子相结合,提取的边缘定位准确、连续性好,运算速度快,具有很好的去噪能力。     

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。     

融合二维条件熵和脉冲耦合神经网络的图像分割算法

为了在中强度背景噪声图像分割下提高分割精度和处理速度,提出了一种融合二维条件熵和脉冲耦合神经网络(PCNN)的图像分割算法。该算法在分析PCNN阈值衰减规律的基础上,将原指数形式替换成线性衰减机制,构成线性门限-脉冲耦合神经网络模型,以降低循环迭代的总耗时量。此外,借助能够很好反映图像边缘细节等局部结构信息的灰度-梯度共生矩阵,将抗噪性能强的条件熵扩展为二维测度,进而形成最大二维条件熵客观判决准则以获得PCNN的最佳阈值。实验表明,与基于交叉熵的PCNN算法相比,本文算法拥有更强的抗噪鲁棒性,同时处理效率也得到明显提升。     

阈值取值对CT影像边缘提取的效果研究

阈值选取是图像边缘提取过程中必不可少的步骤,适当的阈值取值使得CT影像边缘部分准确明显地表示出来,可为医学影像的后续处理分析提供好的素材.本实验从二值化图像函数入手,通过计算医学影像均值、标准差、显示灰度直方图,求取影像前景面积和图像逻辑运算分析不同阈值对医学影像边缘提取效果的影响,并使用通用的边缘提取算法对不同阈值影像提取边缘,实验结果发现值为0.2时边缘效果最佳.     

基于S变换和图像纹理信息的轴承故障智能诊断方法

旋转机械设备发生故障时产生的振动信号具有非平稳、非线性的特点,而传统的基于傅里叶分析的方法不仅不能有效诊断故障,同时需要技术人员具备大量的专业知识,因此提出了基于时频图像纹理信息的智能故障诊断方法。分析几种时频分析方法的优缺,在此基础上对振动信号采取S变换构建时频图像,并利用图像的灰度-梯度共生矩阵提取纹理特征,最后采用支持向量机实现多类故障的诊断。实验验证了方法的有效性。     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

顾及梯度和彩色信息的高分辨率影像道路分割

针对高分辨率影像中道路灰度值分布不均,“同谱异物”现象难以用简单阈值分割,以及对不同传感器、不同分辨率影像提取效果不一样等问题,提出了一种顾及空间梯度信息和彩色信息的道路阈值分割方法。利用高分辨率影像的多种特征,将梯度值和灰度值进行     

基于清晰度评价的自适应阈值图像分割法

阈值法是一种被广泛使用的图像分割方法.本文从图像中信息的变化情况出发,提出一种基于图像清晰度评价的新颖的自适应阈值分割方法.该方法采用清晰度评价函数作为阈值化后图像内灰度相似性变化的度量方法,通过反复迭代并结合皮尔逊相关性直至找到最佳的分割阈值.通过多组图像数据尤其低对比度图像,包括钢板表面轻微缺陷等图像进行了测试对比.结果表明:相比传统阈值分割方法及其改进算法,在低对比度图像的处理上,本文方法能够自适应地准确找到合理阈值,具有优异的图像分割性能.     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。