一种基于多熵阈值图像分割的边缘检测新方法

该文提出的熵阈值分割图像边缘检测新方法,在噪声严重的情况下,能够提取出准确连续的物体边缘,实验结果表明这种方法能获得比Ｓｏｂｅｌ算子及Ｋａｐｕｒ多阈值分割法更为满意的边缘检测结果,这一方法在出版系统中具有一定的实用价值。     

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.     

一种优化的基于阈值分割和数学形态学的边缘检测算法

图像边缘检测是计算机图像处理的最基本步骤之一。由于噪声的干扰和图像光照不均匀等因素的影响,目前的图像边缘检则方法还不能有效地检测出各种不同模式的边界。本文介绍了已有边缘检测技术,并分析这些技术的缺陷,在此基础上提出一个改进的基于阈值分割和数学形态学的边缘检测方法。并用MATLAB仿真实验进行对比分析其适用环境。     

二维熵阈值分割的快速算法

提出了一种快速二维熵阈值分割方法，将计算复杂性从一般二维熵方法的Ｏ（Ｌ）减少至Ｏ（Ｌ＾２）实验证明，对每一幅图象运算时间从２ｈ以上降至１０ｓ以内，同时计算所需存贮空间也大大减少，该算法提高了计算效率。     

改进乌鸦算法的二维Tsallis熵多阈值图像分割算法

针对二维Tsallis熵在多阈值图像分割算法中计算量大、计算时间长等问题,提出一种基于改进乌鸦搜索的二维Tsallis熵多阈值图像分割算法。在乌鸦位置更新过程中引入Levy飞行机制,提高全局寻优能力;根据迭代次数自适应调整尺度系数,限制Levy飞行的搜索范围,加快算法收敛速度;将改进乌鸦搜索算法与二维Tsallis熵结合,减少计算时间、提高分割精度。以经典伯克利分割数据库中的图像为例进行分割实验,结果表明,与其他经典算法相比,改进乌鸦搜索算法分割图像收敛速度快、计算时间短、分割准确度更高。     

基于TV-norm的阈值迭代分割算法

提出了一种基于TV-norm的阈值迭代分割算法.该算法首先用局部阈值迭代法确定各个子图像的阈值,得到一个待处理的矩阵;然后利用TV-norm对阈值矩阵进行插值处理,使之成为与原图像像素数目相同的新矩阵,得到光滑的阈值曲面,进而实现对图像的分割;最后通过仿真试验说明该算法的可行性和有效性.     

基于蚁群算法的最佳熵图像分割阈值方法

最佳熵阈值是最常用的图像分割算法之一,但是需要大量的运算时间,限制了其实际的应用范围.蚁群算法是一种新兴的仿生进化算法,已成功的应用于大批组合优化问题的处理.将最大熵算法视为组合优化问题并引用蚁群算法加以处理,实验结果表明蚁群算法不仅可以实现最优阈值的确定,而且可以提高图像分割效率.     

一种基于自适应阈值的图像分割算法

为提高目标检测概率，针对复杂的地面目标红外亚图像，提出了一种以最大类间方差法为基础的自适应阈值图像分割方法。用分割出的目标和背景区域的灰度统计量，设计了一个判断是否得到正确分割的准则．理论分析和实验结果表明，对于复杂背景下低对比度、低信噪比的地面目标，不论目标在图像中所占面积大小，利用该方法均可得到正确的分割结果．通过设置阈值运算的灰度取值范围，可大大减少计算量，节省处理时间．     

梯度图像的阈值选取

为了较精确地提取目标的边缘轮廓,针对梯度图像的特征,提出在canny边缘检测算法基础上,采用自适应阈值消除噪声,探测较精确的边缘轮廓。由于光学成像和高斯平滑滤波等作用,梯度图像中边缘上噪声的分布是呈近似单边正态分布,所以根据梯度图像的灰度均值与方差确定自适应阈值。通过实验仿真比较,采用自适应阈值获得了较准确的边缘轮廓。     

二维熵图像阈值分割的遗传算法

在研究二维熵阈值分割原理的基础上,将遗传算法用于最优阈值的求取,探讨了其快速算法和全局寻优方面的优良特性．研究结果表明,本算法收敛速度快,稳定性好,适合于多阈值的求取．     

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。     

基于梯度直方图的产品表面缺陷图像自适应阈值分割方法研究

为了提高产品表面缺陷检测精度并降低检测成本,文章以E型磁环表面缺陷的自动检测为例,分析了产品表面图像的特征,提出了一种利用梯度直方图信息的图像自适应阈值分割算法.通过实例,与原自适应直方图阈值分割算法和固定阈值分割算法相比较,结果表明:该算法采用可动态调整的形态学梯度算子计算梯度直方图,抗噪能力强;充分利用了图像的边缘信息和缺陷内部灰度分布不均匀的特性,适应性广;算法简单,具有实时准确分割图像的特点.     

基于边缘强度的图象分割

介绍一种根据边缘强度进行象素灰度值加权平均以获得分割门限，与一般通过友度直方图找寻分割门限以进行图象分割的方法不同，不仅能消除噪声的影响，而且对友度分布不均匀的图象通过分区处理效果更好。还详细讨论该方法的工作原理及算法．     

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。     

一种双阈值熵算子边沿检测算法

分析了噪声点和边沿点局部熵的特点,提出了一种双阈值熵算子边沿检测算法,它具有良好的抗噪声能力,实验结果表明本文算法优于传统单一阈值熵算子边沿检测算法,它是一种很有效的边沿检测方法。     

基于遗传算法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,提出了利用遗传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。     

基于去噪的熵算子边界检测法

图像的熵用来刻划图像的平滑性或均匀性 在图像的局部窗口中计算时 ,如果窗口中存在边界 ,则窗口中的图像不均匀 ,其灰度变化急剧 ,计算出的熵小 ;反之熵大 设定熵的阈值 ,即可判断是否存在边界 由于熵算子对噪声很敏感 ,直接用它进行边界检测 ,效果很差 文中针对这一缺陷 ,提出将熵算子与去噪相结合的边界检测法 ,如果计算出的熵大于阈值 ,要判断是噪声的出现所引起 ,还是边界的出现所引起 ,这样 ,边检测边界边去噪声 用该方法对信噪比较低的图像进行实验 ,得到了满意的效果     

基于阈值分割的数学形态学道路标识线检测

针对边缘检测算子对噪声敏感的缺点，提出了一种新的基于阈值分割的形态学道路标识线的检测方法．仿真结果表明，这种方法保留了更多的图像细节，具有更强的去除噪声能力，可以有效地从道路图像中检测道路标识线。     

一种基于模糊熵划分的边缘检测算法

基于信息论中最大熵原理,提出了一种基于梯度图像的模糊划分边缘检测算法。该算法首先根据图像边缘的特点和类型构造出新的梯度算子,再根据梯度图像自然划分以及2-划分的关系得到模糊2-划分条件熵,基于最大模糊条件熵原则实现梯度图像划分中最优阈值的自动选取,实现图像的边缘检测。仿真实验结果比较表明,该算法用于边缘检测能获得较好的效果。