图像处理中边缘检测算法的研究

边缘检测是数字图像处理中基础而又重要的课题。文章具体考察了5种常用的边缘检测算子,并加以实现。最后对它们各自的特点进行了比较。梯度算子简单有效,LOG算法和Canny边缘检测器能产生较细的边缘。它们各自有其优缺点,在实际中应根据待解决问题的特点和要求决定采用何种方法。     

基于改进蚁群算法的图像边缘检测

为了克服传统基于蚁群算法的图像边缘检测存在定位不准、易陷入局部最优解、对噪声鲁棒性不佳、且收敛速度过慢等缺点,本文提出了一种基于改进蚁群算法的图像边缘检测算法,此算法以传统边缘检测算子得到的边缘信息作为启发信息,建立了基于蚁群算法的边缘追踪模型,实现了信息素和启发信息对边缘追踪的导向作用,避免了蚂蚁在非边缘区域内行走,克服了陷入局部最优的缺点,最后本文运用了条件概率建立边缘检测评价标准.实验结果表明,本文的边缘检测方法具有较好的检测精度和噪声鲁棒性,且运行速度较快.     

用于心肌细胞边缘检测的Snake算法研究

针对现有Snake算法易受噪声干扰、缺乏外部约束力、不能收敛于凹点等缺陷，提出了采用自适应外约束力、平滑差分滤波和蛇点停止运动的准则来控制Snake的运动。可克服已有Snake算法的缺点，同时编程简单，运算速度快。将其用于活体心肌细胞的边界跟踪，取得了良好的效果。     

几种斑点检测算法及其性能比较

斑点检测是计算机视觉的重要内容,图像变换主要包括几何变换、尺度缩放和光照变换等,文章针对常用的几种图像斑点检测算法进行讨论．通过Matlah仿真比较几种算法的性能得出结论,Surf算法在图像斑点检测中具有明显的优越性．能够提高系统的实时运算速度,     

一种改进的快速模糊边缘检测算法

在介绍Pal模糊边缘检测算法的基础上，提出了一种改进的模糊边缘检测算法，采用该快速算法，不仅简化了Pal虎法中复杂的G和G^-1运算，而且提出了改进的模糊增强Tr变换，并减少了迭代次数。实验证明，采用该改进算法，不但提高了边缘检测的效率，而且检测效果优于Pal算法，并且有较好检测模糊边缘和抑制噪声干扰的能力。     

机械零件亚像素边缘检测算法的研究

在分析亚像素边缘检测算法机理的基础上,对多项式插值算法和矩算法在亚像索边缘检测中从速度和精度两个方面, 对其进行了比较性研究, 实验结果表明, 在同等精度条件下.多项式插值法的运算耗时较短,具有运算效率高, 同时其标准差小, 具有更高的定位精度.     

基于交叉熵极小化的图像边缘检测算法

提出了一种自然图像边缘检测的算法,通过差分运算把边缘检测问题转化为目标检测问题,利用交叉熵极小化方法使背景区域和目标区域内的灰度级分布与差分图像灰度级的先验概率(广义高斯分布)相匹配,确定了背景与目标之间灰度分界阈值,检测出图像的边缘成分。实验表明,提出的方法具有良好的边缘检测性能。     

工业物料识别的一种快速模糊边缘检测算法

边缘检测技术是图像处理技术中的一个重要环节,在图像分析和识别等应用领域中有着广泛的应用前景。针对图像边缘由模糊性引起的不确定性问题,笔者在PalKing模糊边缘检测算法的基础上,提出了一种快速模糊边缘检测算法,针对不同的工业物料,确定Tr变换中最佳的隶属度阈值,减少了迭代次数,简化了Pal.King算法中G和G-1运算,实验表明,该算法具有很强的检测模糊边缘和细小边缘的能力,对提高工业物料的识别精度和系统的实时性起到了很好的作用。     

一种改进的快速模糊边缘检测算法

在介绍Ral模糊边缘检测算法的基础上，提出了一种改进的模糊边缘检测算法，并提出了改进的模糊增强Tr变换。采用该快速算法，简化了Ral算法中复杂的G和G^-1运算，并减少了迭代次数。实验证明，采用该改进算法，不但提高了边缘检测的效率，而且检测效果优于Pal算法，并具有较好检测模糊边缘和抑制噪声干扰的能力。     

一种基于尺寸特性的图像边缘检测算法

在多尺度子波变换模极大值的基础上,根据图像有效边缘与噪声边缘在尺寸大小上的显著差异等特性,实现了一种按边缘尺寸按边缘尺寸小及按边缘尺寸大小自适应分块检测图像边的方法。实验表明,采用这一方法,可得到单像素宽,定位精确、抗噪声效果好的边缘图像,其效果明显优于经典的边缘检测方法。     

基于统计学的老电影斑点自适应检测方法

传统基于ROD的斑点检测算法在对不同帧或当前帧的不同区域进行检测时,所采取的阈值是固定不变的,缺乏自适应性,同时也在很大程度上影响了检测效果.为了解决上述问题,提出了一种基于统计学的自适应阈值检测方法.传统检测方法仅计算各孤立点之间的灰度级差异,而该算法则是计算各点邻域块内的灰度级差异,同时利用阈值迭代及帧间的统计特性的方法来确定每一帧图像的最优阈值,提高了算法的自适应性.仿真实验结果表明,该算法的斑点检测效果比传统方法更加准确,自适应性也更高.     

多阶段边缘检测算法

提出一种新颖的图像边缘检测算法,包括边缘检测和边缘增强两个阶段.在边缘检测阶段,新的检测算子不仅可以克服传统算子对边缘拐点、终点的漏检现象,还可以有效地去除噪声,从而更加精确地定位边缘.在边缘增强阶段,引入Hopfield神经网络,通过迭代计算网络优化的能量函数,逐步地弥补缺失边缘、消除假边缘,达到边缘增强的目的.最后针对不同类型图片进行边缘检测,得到较好的结果,证明了该算法的可行性.     

一种快速亚像素边缘检测算法

基于正交多项式拟合提出一种快速亚像素边缘检测算法, 并给出计算边缘点的直接表达式. 结果表明, 该算法有效地解决了目前亚像素边缘检测算法的检测精度和检测时间不能同时兼顾的问题. 通过与Gauss和空间矩两种亚像素边缘检测算法进行比较, 该算法能快速准确地求得亚像素级边缘位置.     

基于阈值优化的图像模糊边缘检测快速算法

全面分析了Pal.King模糊边缘检测算法的缺陷,提出了一种新的快速模糊边缘检测算法。该算法简化了Pal.King复杂的变换和逆变换,并采用了新的增强算子,针对Pal.King算法中对隶属度阈值的设置存在的不足,提出了利用粒子群算法确定最佳隶属度阈值的方法。仿真表明,该算法检测的边缘细、连贯,适用面广,很有实用价值。     

基于目标检测的激光雷达道路边缘检测算法

道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus, RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。     

基于多结构元素的数学形态学边缘检测算法

针对传统边缘检测算子对噪声敏感的不足,提出了一种基于多结构元素的数学形态学边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,得到一种新的抗噪型边缘检测算子,利用多结构元素提取图像的边缘特征,即使在噪声条件下,也能获得较为理想的图像边缘。实验结果表明,与传统的边缘捡测算子相比,该方法边缘检测精度高,且具有良好的噪声鲁棒性。     

基于图像增强的边缘检测方法

在对传统边缘检测算法分析的基础上,文章提出了基于图像的自适应增强的边缘检测算法,首先分别对图像的目标和背景物体进行灰度增强,然后对增强后的图像进行边缘提取,并对提取后的边缘图像进行融合。试验结果表明,该方法能有效的提取图像边缘细节,取得良好的边缘检测效果。