用Roberts算子进行边缘处理

文章主要编程实现用Roberts算子对汽车图片的边缘处理。     

一种Roberts自适应边缘检测方法

针对Roberts算法对噪声比较敏感且需要人为指定阈值等问题,提出了一种Roberts自适应边缘检测方法.利用Roberts算子的基本原理,扩充了检测方向,再根据待检像素周围的3×3像素邻域的平均像素灰度值,结合人眼视觉特征自适应地生成动态阈值,这样既保留了原Roberts算子的可并行处理、快速运算、边缘较细等优点,还对噪声有一定的抑制作用.同时,针对Roberts算法边缘检测相对粗糙、边缘细化效率较低的问题,分析和改进了原有边缘细化算法,即先对含有噪声的图像进行边缘检测,过滤其伪边缘,再对图像边缘进行细化处理,从而得到单像素边缘.实验比较表明,所提算法能够自适应地生成动态阈值,提高图像边缘细节信息的提取性能.     

基于RB-GSPF算法的地形辅助导航

为了解决地形辅助导航中面临的高维、强非线性问题,提出了基于Rao-Blackwell框架的RB-GSPF算法。该算法将原系统中的线性Gauss子结构分离出来,使用经典的Kalman滤波器处理,而剩下的强非线性部分通过Gauss和粒子滤波器处理,这种结构上的分解既发挥了Kalman滤波器对于线性Gauss系统的最优性,又利用了GSPF算法结构上的优点。理论及实验分析表明:该算法与粒子滤波器相比,在降维的同时提高了定位精度,减少了粒子数目;与Rao-Blackwellised粒子滤波器(RBPF)相比,其算法结构具有更好的并行性,从而在运算量上具有优势。     

基于顺序形态滤波的边缘检测

介绍了灰度图像的顺序形态变换基本概念,定义了两种基于顺序形态滤波的广义边缘算子,重点讨论了百分位ｐ＝１／２时的边缘算子抑制噪声、提取边缘的理论和方法。实验表明,同传统的边缘检测算子相比,该方法具有良好的噪声抑制和边缘提取特性。     

经典Marr-Hildreth边缘检测的量子实现

通过设计高斯滤波和零交叉提取量子线路的方法, 实现量子图像的Marr-Hildreth边缘检测. 该方法中高斯滤波采用量子加法器和量子乘法器实现; 零交叉提取采用量子比较器和辅助模块实现. 理论分析结果表明, 该方法可实现对经典算法的指数级加速, 经典计算机上的仿真结果验证了该方法的有效性.     

基于FPGA的瓶盖边缘在线视频检测装置的设计

设计并实现了一个采用OV7670视频模块,以FPGA作为控制单元的瓶盖边缘在线视频检测装置。运用Verilog语言编程,该装置实现了外接VGA显示器菜单式参数设置,完成了实时视频图像的Roberts边缘检测,提高了图像处理速度。通过改进检测算法,有效地抑制了噪声,获得了清晰、连贯的边缘图像。该设计改善了工作环境,避免了对人体的损害。     

基于图像边缘检测算法的研究

近年来,小波分析已成为工程学科中迅速发展起来的一个新领域,小波变换在时域和频域同时具有良好的局部化性质,而且对于高频成分采用逐步精细的时域或频域取样步长,可以聚焦到对象的任意细节.介绍了边缘检测的经典算子和小波边缘检测的方法,用Matlab实现后对各种算法进行比较,并分析了各种算法的优劣,单从效果而言,基于小波的算法较好.     

基于顺序形态滤波的边缘检测

介绍了灰度图像的顺序形态变换基本概念 ,定义了两种基于顺序形态滤波的广义边缘算子 ,重点讨论了百分位p =1 /2时的边缘算子抑制噪声、提取边缘的理论和方法 .实验表明 ,同传统的边缘检测算子相比 ,该方法具有良好的噪声抑制和边缘提取特性 .     

基于指纹图像边缘检测算法的比较研究

文章介绍了四种常用的图像边缘检测算子，通过对指纹图像边缘检测的几种不同算子结果的比较，分析了它们各自的特点，它们各自有其优缺点-在实践中应根据待解决问题的特点和要求决定采用何种方法。     

基于多尺度形态学的边缘检测算法的改进

一幅图像的大量信息都是由图像边缘提供的,在图像处理中,对于复杂图像很难通过单一的结构元素用数学形态学的膨胀、腐蚀、开、闭等变换以及它们的组合得到较满意的检测图像;利用多元素,对形态结构大小尺度进行调整,从而在噪声存在的条件下得到较理想的图像边缘;实验结果表明,与传统的边缘检测算子比较,方法计算量小,抗噪性好,可以适应不同类型的图像边缘检测需求。     

GPU架构下的并行计算

为降低粒子群优化算法(PSO: Particle Swarm Optimization)时间和空间的复杂度随问题规模的增大而越来越高的问题, 对图形处理器（GPU: Graphic Processing Unit）用于并行计算的方法进行了分析, 利用GPU的并行特性, 实现了粒子群优化算法路径搜索过程的并行化。测试函数实验结果证明, GPU平台较CPU模式下的计算, 其搜索速率有明显提高。     

面向CPU+GPU异构计算的SIFT

依据图形处理器(GPU)计算特点和任务划分的特点,提出主从模型的CPU+GPU异构计算的处理模式.通过分析和定义问题中的并行化数据结构,描述计算任务到统一计算设备架构(CUDA)的映射机制,把问题或算法划分成多个子任务,并对划分的子任务给出合理的调度算法.结果表明,在GeForce GTX 285上实现的尺度不变特征变换(SIFT)并行算法相比CPU上的串行算法速度提升了近30倍.     

利用GPU进行通用数值计算的研究

近年来,图形处理器(GPU)的发展日益成熟,应用范围不在局限于计算机图形学本身,已逐步扩展到通用数值计算领域.本文介绍了最新GPU用于通用计算的原理和方法,并在图像处理和科学计算方面对GPU和CPU算法进行了计算速度的对比研究,实验结果表明GPU在通用计算领域相对于CPU具有明显优势.     

基于GPU的图像处理算法研究

对基于统一计算设备架构(CUDA)的图形处理器(GPU)在图形处理方面的算法进行了研究和实现.针对目前图像处理算法日益复杂,性能要求越来越高,而传统的基于CPU的图像处理算法无法满足需求的情况,充分利用GPU突出的并行处理能力,采用CUDA技术,利用C++语言实现了图像处理算法.研究并设计了高斯模糊处理算法、彩色负片处理算法、透明合并处理算法的GPU并行运算流程,与CPU的性能对比表明基于GPU图像处理算法的效率更高.     

基于图形处理器硬件加速的高精度医学图像融合算法

提出一种基于图形处理器(GPU)硬件加速的频域非下采样轮廓波变换(FNSCT)算法.该算法构造了更加简单、快速的频域非下采样轮廓波变换,有效消除了传统小波变换以及轮廓波变换应用于图像融合算法时引起的振铃和伪吉布斯现象.结合GPU在并行大规模浮点数及快速傅里叶变换(FFT)上的高速运算能力,解决了非下采样轮廓波变换(NSCT)速度慢的问题,实现了一种高精度的医学图像融合加速算法.     

基于GPU的可扩展哈希方法

为了使用可扩展哈希表进行快速的数据访问,需要高效地更新索引以维护哈希表.文中提出了一种基于GPU的可扩展哈希算法g EHT.该算法充分利用GPU的并行计算能力,并采用表重用、预分裂技术,无锁地扩展和收缩表、插入和删除数据,实现了高并发地创建哈希表、更新索引和检索数据.实验结果表明,该算法的查询数据、维护哈希表和更新索引性能优于其他多核CPU的线性哈希及可扩展哈希算法,尤其是在高负载的情况下.     

基于局部信息的图像增强方法研究

在图像处理过程中,使用直方图均衡化、全局对比度拉伸等基于图像全局信息的图像增强算法,难以实现图像局部细节对比度的增强,即不能实现物体轮廓的增强。为此,本文主要对基于局部直方图均衡化、Lee算法的图像局部增强算法和MSR算法进行研究,通过算法的改进来实现图像局部增强的效果。     

基于小波的图像边缘检测算法研究

图像的边缘检测是对图像进行进一步处理和识别的基础,虽然图像边缘产生的原因不同,但反映在图像的组成基元上,它们都是图像上灰度的不连续点或灰度剧烈变化的地方,这就意味着图像的边缘就是信号的高频部分。因此所有的边缘检测方法都是检测信号的高频部分。但在实际图像中,由于噪声的存在,边缘检测成为一个难题。提出一种利用小波把图像分解成近似部分和细节部分,近似部分是原图像对高频部分进行滤波所得的近似表示。经滤波后近似部分去除了高频分量,因此能够检测到原图像所检测不到的边缘。     

基于GPU的多尺度Retinex图像增强算法实现

为提高多尺度Retinex算法的实时性,本文提出了基于GPU的多尺度Retinex图像增强算法,通过对算法进行数据分析和并行性挖掘,将高斯滤波、卷积和对数差分等计算量非常耗时的模块放到GPU中,利用大规模并行线程处理来提高效率。在GeForce GTX 480和CUDA 5.5中进行实验,结果表明该算法能显著提高计算速度,且随着图像分辨率的增加,最大加速比达160倍。     

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.