一种改进的灰度矩亚像素边缘检测算法

在分析Tabatabai提出的灰度矩亚像素边缘检测算法的基础上,指出灰度矩算法存在边缘判断条件不够完善和未能考虑模板效应的问题,提出了改进方法,考虑Tabatabai的灰度矩算法产生很多虚假边缘,改进算法分析了各参数对结果的影响,对边缘判断条件进行完善。实验结果表明,所改进算法具有抗干扰性、边缘细化能力强,定位准确的特点,分辨精度可达0.06~0.08个像素。     

基于小波变换的图像边缘检测算法及像素结构分析

对基于多尺度小波变换的图像边缘检测算法进行了改进.通过处理小波变换后出现的负值解决了双边缘问题;通过处理两层邻域的像素点解决了边缘线间断问题,并与传统算法的结果进行了比较,结果表明,利用这一新的算法可使图像边缘更加光滑、边缘定位更精确.     

一种基于Robinson理论的自适应边缘检测算法

针对Robinson算法运算速度慢,且需要人为指定阈值等问题,提出了一种Robinson自适应边缘检测算法。利用Robinson基本原理,删除了一些算法模板,根据待检测像素周围的3×3邻域的像素平均灰度值,结合人眼的视觉特征自适应地生成动态阈值,这样既保留了原Robinson算法可并行处理、能够抑制噪声等优点,还提高了运算速度。同时,针对Robinson算法边缘检测相对粗糙、边缘细化算法效率较低的问题,分析和改进了原有边缘细化算法,改进算法先对含有噪声的图像进行边缘检测,过滤了伪边缘,再对图像边缘进行细化,从而得到单像素边缘。实验结果说明了所提算法的性能。     

结合空间信息的FCM脑图像分割

针对传统模糊C均值聚类算法(FCM)在图像分割时没有利用图像的空间信息而对噪声敏感、分割结果不够准确的问题,提出一种结合空间信息的FCM改进算法.该算法利用邻域像素间的灰度差异计算出邻域加权系数,并利用该系数对中心像素的隶属度进行更新,控制邻域像素对中心像素的不同影响;该算法还利用了快速FCM算法对图像进行初始分割.对MRI脑图像分割的实验结果表明FCM改进算法简单有效,具有较强的抗噪能力,能取得较好的图像分割结果.     

三爪卡盘的亚像素边缘检测与视觉定位

针对面向数控机床三爪卡盘的智能视觉上、下料机器人,对识别和定位精度要求较高,提出基于三爪卡盘形心特征的高斯二次曲线拟合亚像素的边缘定位方法,完成机器人对于三爪卡盘的识别及定位操作.其步骤为:首先,应用Canny边缘检测算法对目标边缘进行粗定位,即像素级定位;其次,建立三爪卡盘内切圆和外接圆组成的形心特征约束,根据边缘所在位置邻域像素的几何特征和灰度分布特征,对亚像素级别进行定位,使边缘定位在更加准确的位置.研究结果表明:机器人对于三爪卡盘的视觉测量精度达到0.01 mm,视觉定位精度达到0.05mm,达到数控加工行业精度要求;该技术在保证精度的同时,大幅度地提高了运算速度.     

一种改进的指纹快速细化算法

针对指纹快速细化算法中存在双像素宽的情况,研究快速细化后像素的8邻域像素值的特征,通过计算8邻域像素值的和以及8邻域中相邻像素间的关系,对快速细化算法进行改进,使细化的结果为单像素宽.改进的算法对指纹的细化效果好,速度快,效率高.     

多邻域中值滤波算法在医学图像中的应用

目的:克服现有的滤波算法在噪声检测与噪声滤除上的缺陷,进一步提高去噪性能.方法:提出了多邻域中值滤波算法,对噪声检测和噪声滤除的方法分别进行改进.算法用邻域中的灰度极值进行噪声检测,对检测出来的可疑噪声,用邻域的中值作进一步的噪声检测.对噪声像素,在其邻近的9个邻域中分别求出信号像素的中值,然后用所有中值的中值作为噪声像素新的灰度.结果:基于医学图像的实验结果证明,相对于现有的算法,所提出的算法的去噪图像更加清晰,去噪结果的PSNR和SSIM值更高.结论:所提出的算法在彻底去除噪声的同时,很好地保持了图像的纹理边缘和细节,相对于现有的滤波算法,具有更好的去噪性能.     

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.     

基于椭圆拟合的近红外图像的眼睛精确定位法

提出了一种新的近红外人脸图像的眼睛精确定位方法. 该方法首先使用基于Haar特征和AdaBoost算法的人脸检测分类器确定人脸区域和初始眼睛位置;然后用Sobel算子对眼睛区域进行边缘检测处理,得到眼睛边缘,并对它进行椭圆拟合获得眼睛的椭圆轮廓线;最后把拟合椭圆的中心点作为眼睛的精确位置. 实验表明,在正面人脸情况下,本方法能精确地定位近红外人脸图像的眼睛位置,在归一化人脸为120×120像素时,其平均误差小于1.5个像素,处理时间约7 ms.     

视觉测量中基元特征亚像素提取方法的研究

建立了基于空间矩的三级灰度图像边缘模型,首先由传统LOG(Laplacian of Gaussian)算子确定图像的像素级边缘,再由灰度空间矩对像素级边缘进行亚像素定位,并用Hough变换提取基元的亚像素边缘像素点,最后通过最小二乘法曲线拟合得到亚像素级的基元特征。实验结果表明,基于空间矩亚像素边缘定位算法,以及像面直线和椭圆亚像素提取算法具有较高的精度和稳定性。