一种改进的Sobel算子边缘检测及细化算法

针对经典的Sobel算子存在的边缘定位精度不高和边缘提取较粗等缺点,对经典Sobel算法进行了改进:在原有的两个方向模板基础上增加了135°和45°2个方向模板,并通过非极小值抑制和邻域标准差叠加获取梯度图像,提高了边缘定位精度和增强边缘强度;对梯度图像在3×3邻域内采用梯度阈值结合边缘方向进行了边缘细化处理;实验证明,该算法不仅有效地解决了Sobel算法提取边缘过粗及定位不精确的问题,而且使图像边缘更连续、清晰.  

基于改进Sobel算子的多仪表图像边缘检测算法

为了解决Sobel算子在多仪表图像检测中存在的边缘定位精度不高、提取边缘较粗以及对噪声敏感等缺点,提出了一种改进算法。首先在原有水平和垂直模板的基础上新增6个方向模板,提高了边缘定位精度,使其适用于纹理结构复杂的图像。然后根据图像的具体特征自适应确定阈值,有效去除图像的伪边缘。最后结合数学形态学的灰度腐蚀理论,对检测到的边缘进行细化处理。不仅能获得细化效果较好的边缘,同时可以有效的抑制噪声。实验结果表明:改进后的算法对图像噪声干扰有较强的抑制能力,提取的边缘定位准确、结构细腻。  

Sobel边缘检测的细化

边缘检测是数字图像处理中基础而又重要的课题,Sobel算子是图像边缘检测中常用的方法之一.首先将Sobel与其他几种常用的边缘检测算子进行分析和比较,对经典的Sobel算子进行更深入的研究,Sobel算子的优点在于检测速度快,对噪声都具有平滑作用,对噪声具有一定的抑制能力;虽然产生了较好的边缘效果,但也存在一些问题:检测出了一些伪边缘,使得边缘比较粗,降低了检测定位精度.针对Sobel算子存在的问题,研究学者提出了一些改进的方法,如:扩展检测模板,边缘跟踪等方法,在分析这些方法的基础上,提出一种新的简单的Sobel算子改进方法.这种方法在经典的Sobel算法检测出的边缘的基础上对边缘进行细化,实验证明该方法有效解决了Sobel算子边缘检测时边缘过粗的问题,得到的边缘较细,定位精确.  

陶瓷基片检测中Robert边缘细化算法

陶瓷基片检测中为了对亚像素进行精确定位,需要对基片图像进行灰度边缘细化.为了得到保留信息的细化灰度边缘,对边缘细化算法进行了研究,提出了Robert边缘细化算法.先对基片图像进行均值滤波,然后用Robert算子进行两次边缘检测,最后将两次检测结果进行减法运算得到边缘细化的陶瓷基片图像.实验表明,该算法可以得到允许范围内的单像素连通的细边缘,保留边缘灰度信息,为下一步对图像进行亚像素细分,提高测量精度打下良好的基础.  

应用视觉显著性的快速有偏聚类超像素算法

针对正则化超像素方法的超像素数随边缘拟合要求迅速增长的问题,提出了一种有偏聚类超像素算法.结合人类视觉对目标专注程度不一的特点,在SLIC算法框架下,提出了基于视觉显著性的非均匀初始化方法和有偏聚类距离函数.算法在图像的显著性区域进行密集的过分割,保持目标边缘的细节信息,而在非显著区域仅生成稀疏的超像素,以降低分割块数,再通过一步全局聚类和边缘逐步细化过程,有效地保证了图像的边缘拟合,同时提高了算法的速度.实验表明,在相同超像素数下,所提算法在边缘查全率、欠分割错误率以及运行速度方面均优于传统算法.  

一种改进的亚像素偏移算法研究

研究了一种改进的亚像素偏移算法,设置正切阈值,根据偏微分的比值和正负确定边缘点的梯度方向,然后在梯度图像中对已确定的单像素宽边缘点进行伪边缘抑制,最后沿其梯度方向进行梯度幅值函数的二次抛物线插值,计算亚像素偏移量.实验结果证明该算法实现速度快,检测精度良好,适用于精度要求不是非常高的情况下的工业自动化在线快速图像测量任务.  

普通Sobel边缘细化算法的改进

Sobel边缘检测算法检测到的边缘较粗，需细化处理，而普通Sobd边缘细化算法细化后的边缘会不连续，细化效果也不理想。为了更加突出边缘，更好地保留边缘信息，本文对Sobel边缘细化算法做了改进，测试证明改进使边缘检测的效果得到了改善。