基于改进Canny算子的声呐图像边缘检测

目标的识别与解译是声呐图像处理中的一项重要任务。受到海底混响噪声和复杂背景的干扰,声呐图像有对比度差、分辨率低、噪声严重的问题,给声呐图像的目标识别带来了显著的挑战。为此,本文提出了一种改进的Canny算子边缘检测方法。通过LEE滤波器去除噪声,其次用OTSU阈值法划分高低阈值,最后运用Laplacian算子检测离群点并将其去除。本文将该方法命名为Canny-Laplacian算子(C-L算子)。本文使用多种边缘检测方法与改进的方法对真实声呐图像进行了处理,并在连续性、完整性和准确性上进行了对比。本文使用多种评价指标进行定量分析,证明了本文方法在声呐图像的边缘检测上有更好的效果。

基于强噪声条件下的激光图像边缘检测研究

边缘检测是激光图像处理的一个重要步骤,针对当前激光图像边缘检测误差大,易受噪声干扰等缺陷,为了获得完整的激光图像边缘,设计了基于强噪声条件下的激光图像边缘检测方法。首先采集激光图像,采用直方图均衡技术对原始激光图像进行增强处理,改善激光图像质量,然后采用小波变换去除激光图像噪声,并采用Canny算子进行激光图像边缘检测,最后测试结果表明,与当前激光图像边缘检测方法相对比,本方法能够检测出更多激光图像边缘细节,激光图像边缘检测精度的平均值超过93%,而且激光图像边缘检测时间控制60 ms以内,为激光图像提供了一种高精度检测技术。

基于改进Canny边缘检测的堆叠货箱分割定位方法

为了提高集装箱卸货的自动化水平,针对集装箱内堆叠货箱难分割定位的问题,提出了一种基于改进Canny边缘检测的堆叠货箱分割定位方法。通过阈值分割和形态学处理进行图像预处理,去除背景干扰,提取堆叠货箱区域图像,基于改进Canny算法对堆叠货箱进行边缘检测,根据堆叠货箱边缘特征进行筛选并基于最小二乘法进行直线拟合,解决边缘线条不连续和虚假边缘问题,对边缘进行区域化处理,以此将堆叠货箱分割成独立的货箱区域,提取每个独立货箱的最小外接矩形,得到货箱中心点的位置信息。实验结果表明,该方法对堆叠货箱有很好的分割效果,定位精度小于5 mm,满足定位精度要求。

基于边缘检测的数字媒体深度交互式图像分割算法

针对数字媒体深度交互式图像受噪声干扰,导致其边缘检测效果较差,影响其分割精度的问题,提出基于边缘检测的数字媒体深度交互式图像分割算法。首先,利用小波变换方法对数字媒体中的图像进行去噪处理,提高图像分割精度;其次,使用高斯函数与低通滤波增强去噪后的图像,提高图像的清晰度,为图像分割提供便利;最后,依据自适应阈值算法对数字媒体的图像进行边缘检测,像素合集中存在上下阈值。根据其上下阈值的计算求出像素合集中的高低两个阈值,并对其实施边缘连接,实现数字媒体图像分割。实验结果表明,所提方法对分割数字媒体图像去噪效果好,分割精度和效率高。

采煤机截割部低照度图像的边缘检测技术

针对井下低照度环境下采煤机截割部边缘检测任务中存在的边缘缺失、细节模糊等问题,提出一种基于分数阶微分的边缘检测Lif算法。首先采用更大的检测模板尺寸,根据Grünwald-Let-nikov分数阶定义构造最初的分数阶掩膜算子;然后根据Pascal三角形理论确定掩膜算子上各位置的权重系数,并将掩膜算子扩展到4个不同方向;最后将得到的掩膜算子与图像进行卷积,利用图像的局部特征信息对每个方向的微分结果进行后处理。结果表明:(1)在进行多个不同场景的井下低照度图像上的实验时,Lif算法可以更全面地获取图像中不同方向上的边缘信息,在处理低照度图像时具备更强的抗噪性能,并且提取的边缘线条比其余边缘检测算法更加清晰、完整,保留了更多的纹理细节信息。(2)在客观指标评价的对比上,与基于分数阶灰色系统模型的边缘检测算法以及改进的分数阶Sobel边缘检测算法相比,Lif算法在Entropy指标上分别提高了43%、11%,AG指标上分别提高了23%、23%,SSIM指标上分别提高了152%、6%。表明Lif算法在进行采煤机截割部的边缘检测任务时更具优势,研究对井下设备工作运行时的安全性和可靠性提升具有重要意义。

复杂稠密网络下的并置多尺度融合边缘检测模型

边缘检测是计算机视觉任务的基础.目前的技术主要依赖于深度学习,但是大多数的模型在评价阶段会借助非极大值抑制来提高预测边缘的准确率.该策略仅着重关注预测边缘的准确性,没有同时考虑边缘的粗细程度.针对这一问题,本文基于复杂稠密网络,提出了一种新的特征融合策略.该策略在传统深度学习边缘检测器侧输出的基础上,添加了自顶向下的并置多尺度融合架构.此架构可以更好地将高层的高语义特征与低层的高分辨率纹理特征结合,有效地抑制了边缘预测中存在的背景模糊和伪线条的现象.在特征连接处使用Concat block块代替单一的Concat操作,更好地融合了不同尺度的语义信息.最后使用一个简单的注意力融合块融合多个网络输出,并结合跟踪损失对输出的不同尺度的预测图进行深度监督.此方法不依赖于非极大值抑制,并且充分利用了目标的多尺度、多层次信息,在精细边缘图像的同时也提升了预测的准确性.实验结果显示,在未使用和使用形态学非极大值抑制方案的情况下,所提出的模型在BIPED数据集上的ODS、OIS、AP分别达到了0.891、0.895、0.900和0.894、0.899、0.931,优于所有比较算法.在MDBD的数据集上也取得了最优的结果.

改进多方向Sobel算子的剩余油边缘检测方法

为进一步提高剩余油边缘检测的质量和精度,提出一种改进多方向Sobel算子的剩余油边缘检测方法。该方法通过改进双边滤波方法去除微观剩余油分布图像噪声,实现保边去噪的目的;结合Otsu算法使其能自适应获得微观剩余油图像的最佳阈值;在改进的4个方向上依次使用幅度为3×3的Sobel算子计算剩余油图像梯度的幅值和方向;最后利用非极大值抑制算法过滤伪边缘像素点,从而得到最终的剩余油边缘检测图像。实验结果表明,该方法能在去除微观剩余油图像噪声的同时,精确检测出微观剩余油分布图像中的剩余油边缘信息。

基于FPGA改进的Canny算法边缘检测系统

针对Canny算法在图像边缘检测中的限制,包括自适应性差、边缘信息易丢失和处理时间过长等问题,提出了一种基于FPGA的模块化硬件设计,用于实现改进型Canny算法的高效边缘检测。首先,利用FPGA的数据并行处理特性,采用快速自适应中值滤波算法替代高斯滤波方法;其次,引入3×3模板替代2×2模板,并在45°和135°方向上增加计算模板,以获取图像的梯度和幅值信息;最后,结合Otsu原理,采用三阈值连接来增强自适应性,减少图像边缘信息的丢失。经过实验验证,该系统展现出良好的自适应性能,有效处理图像中噪声的同时,能够捕捉到有效的边缘特征,并具备高速、实时等特点。

基于改进遗传算法的图像边缘检测

针对经典边缘检测算法在一定程度上的局限性,提出了一种改进的遗传算法进行边缘检测。阐述了图像梯度的幅值和变化率,并将遗传算法引入到图像边缘检测中。利用天牛须搜索算法来引导遗传算法中交叉点位置的移动方向。通过提高子辈种群的多样性,防止了搜索区域逐渐缩小,克服了传统遗传算法早熟收敛的现象。实验结果表明,与传统的边缘检测算法相比,改进的遗传算法应用于不同的图像检测具有良好的稳定性和较快的收敛速度,可以收敛到全局最优解甚至逼近全局最优解,从而提高被检测图像边缘的完整性。

基于改进Canny算法的皮革铺展图像边缘检测研究

为提高皮革抓取铺展过程的准确性,提出一种基于改进Canny算法的皮革铺展图像边缘检测方法。该方法首先在皮革铺展图像分割中采用二维Otsu算法,并引入狼群算法对二维Otsu算法阈值进行优化,以改进传统的Canny边缘检测阈值由人为设定的问题;利用改进后的Canny算法对皮革铺展图像进行边缘检测,从而为后续的皮革抓取铺展奠定基础。结果表明,引入狼群算法优化后的二维Otsu算法,其迭代次数与运行时间都相较于原始Otsu算法有了大幅降低,结构一致性指数提高了0.024,具有更好的图像处理效果;使用改进的Canny算法,相较于原始Canny算法以及Robert、Prewitts等常用边缘检测算法,不仅实现了阈值的自适应设置,得到的皮革边缘线条也更完整清晰,具有更好的抗噪性。将改进Canny算法用于皮革双机械臂抓取铺展,机械臂可准确检测皮革铺展图像的边缘。由此得出,本方法可为后续的铺展抓取奠定基础,具有一定的实用性。

一种改进Canny算子的图像边缘检测算法

在移动机器人自主作业时,环境中往往存在障碍物,路径规划避障时要进行动态目标检测.Canny边缘检测算法可以与众多动态目标检测算法相结合,提高目标检测的效果.但是传统Canny边缘检测存在着自适应性不强,边缘检测可能不连续,或者检测虚假边缘的现象.本文提出了一种优化Canny边缘检测算法,通过改进的自适应中值滤波来预处理图像,对算法效率及对噪声点的处理做出了优化,紧接着增加梯度计算方向,最后结合改进的大津阈值分割法,提出了三阈值分割法代替原始的阈值分割法使图像边缘信息更加完整准确.仿真结果表明,该算法在边缘检测准确率上对比传统Canny边缘检测,Sobel算子与较新改进算法均有20%左右的提升,该算法优化了传统算法检测的连续性和准确率.

基于亚像素定位的图像边缘检测策略研究

针对图像处理与计算机视觉技术中低对比度、边缘模糊图像的边缘检测问题,参考局部极值与梯度方向两种因素,并结合图像边缘方向趋势,提出了一种单像素边缘跟踪策略。相较于应用广泛的Canny算法,该跟踪策略无需设置全局阈值,实现方式更为简洁、高效;提取的图像边缘连续、平滑、完整,并有效地减少了图像边缘的冗余像素,进而提升了图像后续处理的效率;边缘跟踪方向抗干扰性强,具有较强的鲁棒性。为了减小检测的图像边缘与真实图像边缘之间的偏差、提高图像边缘检测的精度,参考边缘像素点的相邻区域灰度,以边缘像素点的梯度分布为依据对该像素点进行亚像素定位。经实验验证,经过亚像素优化的图像边缘检测策略可用于检测边缘模糊、对比度低的图像,检测的图像边缘完整、连续且平滑。该策略有效地消除了程序运算中引入的截断误差,提升了图像边缘检测精度,且适用于亮度5~100000 lx的高动态成像场景中。

列车轴承表面缺陷图像的边缘检测研究

为了实现含有噪声的列车滚子轴承内圈外表面缺陷图像边缘信息的机器视觉检测,提出一种改进Canny算子与改进的新型形态学算法融合的边缘检测算法,采用一种新的自适应中值滤波器替换高斯滤波器进行图像降噪,并拓展多方向梯度模板计算图像的幅值。使用最大类间方差法自适应获得最佳阈值,减少伪边缘的出现,进一步提高算法的适应性。对两种方法检测到的子图像信息熵进行图像融合,获得最终的边缘检测图像。试验结果表明,对比单一地使用Canny算子和数学形态法,文中采用的融合算法具有更好的自适应性和检测性能。

Canny边缘检测和轴线矢量靶场目标姿态测量

对于靶场飞行目标的姿态测量问题,提出一种基于Canny边缘检测与Hough直线检测的靶场目标图像轴线提取方法,并利用成像平面交会获得旋转锥形载体的轴线,实现目标轴线的姿态测量的目的。靶场试验一般有多台光学测量设备采集目标图像,对采集到图像首先应用Canny算子检测目标边缘,对边缘图像适用Hough直线检测算法提取到成像平面上的目标轴线,进而可以得到测站和目标轴线所在的空间平面,利用面面相交原理获得目标轴线矢量的姿态角。该测量方法是基于Canny边缘检测和Hough直线检测的轴线提取方法,在仿真试验中对应用不同参数提取的轴线角度误差在0.3°左右,在实际试验中对目标的轴线提取误差在-0.7°~0.6°之间。实验表明该方法提取出的目标轴线的姿态角能够满足试验需求。

基于层间相关性的小波边缘检测

在计算机视觉系统当中,图像边缘检测占据着重要位置.图像成像过程中,噪声、畸变等因数引起图像细节模糊,如何有效提取图像边缘成为一个不断探索的课题.众所周知,采用Sobel、Laplacian边缘检测算子尽管能够有效地去除噪声的干扰,但是破坏了图像边缘细节.基于此,本文提出了一种基于层间相关性的小波边缘检测.在不同层间,如果低分辨率下的父系数绝对值大,则在高分辨率下四个相应的子系数的绝对值可能性也大,则其所代表地图像边缘信息可能性越大.因此,采用基于层间相关性的小波边缘检测算法既有效地去除噪声的干扰,又保留了图像边缘细节.

二维非张量积小波用于图像的边缘检测

构造了二元非张量积紧支集对称的连续预小波,分析了所构造的紧支集、对称的、非张量积预小波适合于图像边缘检测的原因,针对所构造的非张量积小波的特点,提出了有效的边缘检测算法,其中噪音与边缘信息的区分非常重要.用所构造的非张量积预小波对不同的图像进行了边缘检测,所提出的边缘检测方法明显优于Sobel边缘检测算子,与Canny最优边缘检测算子的效果与复杂性均持平,并且对纹理性强的图像(如指纹)边缘检测效果优于其他算法.

多尺度加权邻域Gap算子图像边缘检测方法

依据Hastie T.和Tibshirani R.等提出的“Gap统计”的思想方法,通过分析样本灰度数据分布的差别,在进一步考虑加权邻域的基础上,建立了图像边缘检测的多尺加权邻域Gap统计模型。提出正则加权邻域的概念,并通过证明具体地给出了与尺度有关的正则邻域权重密度函数。分析Gap算子的性质,给出在加权邻域下模型边缘检测算法。给出正则加权邻域下不同尺度的检测结果,分析Gap算子与 Sobel边缘检测算子之间的关系。模型具有多尺度、依尺度抗噪声的特点。

基于CNN跨层融合结构的边缘检测算法

传统边缘检测算法难以处理复杂的图像,而现有基于深度的边缘检测模型,其检测结果往往存在边缘定位错误和信息丢失等现象.针对此类问题,提出一种基于RCF的高精度的边缘检测算法RCF-CLF.首先,引入HDC结构设计用于避免因叠加相同膨胀卷积而引起的网格效应;其次,设计了一种特征增强结构,旨在融合多尺度信息、扩大感受野;然后,设计了跨层融合结构,将高层信息和低层信息融合,用于提取准确的边缘信息;最后,引入注意力机制CBAM,通过聚焦物体边缘区域,抑制非边缘区域,从而提高网络对边缘信息的提取能力.本文在BSDS500和BIPED数据集上评估所提出的方法,与RCF算法相比,在BIPED数据集上,主要指标ODS、OIS和AP分别达到了0.893、0.901和0.945,提高了近5个百分点,在BSDS500数据集上,主要指标也有所提升.此外,与其他同类算法相比,本文算法也具有一定的优势,可以实现更加准确的边缘定位.

面向模糊医学图像边缘检测的卷积网络

考虑到传统边缘检测算法难以处理模糊的医学图像,提出一种基于深度学习的边缘检测网络ECENet.首先,本文网络基于CHRNet模型,对其最后两层进行剪枝,使模型更加高效和轻量化.其次,在网络的特征提取阶段加入注意力模块SKSAM,优化图像特征的自适应提取,并降低噪声的影响.最后,在多尺度的网络输出上采用上下文感知融合块进行连接,帮助模型更好地理解图像的结构和语义信息.此外,综合考虑像素级别的准确性和边界的平滑性,优化了损失函数,为模型训练提供更好的梯度信号.实验结果表明:本文算法在最佳数据集规模(ODS)和最佳图像比例(OIS)指标分别提高到0.816和0.823;相关边缘指标参数显著提高,PSNR提高了16.8%,SSIM提高了37.6%.

基于特征聚合与边缘检测的伪装目标检测

针对伪装目标边缘模糊、相关检测模型上下文特征利用率低、边缘特征融合繁琐的问题,提出一种基于特征融合与边缘检测的伪装目标检测模型F2-EDNet。首先构造特征增强模块,细化主干网络的多尺度上下文特征,有效增强伪装目标特征信息;同时,引入跨层特征引导的边缘预测支路以集成来自主干网络底层和顶层的跨层特征,在辅助检测伪装目标边缘的同时,提取边缘特征;最后,提出多尺度特征聚合模块,通过结合注意力机制,充分融合边缘特征与上下文特征,有效提高预测精度。实验结果表明,F2-EDNet在公开数据集CAMO、COD10K和NC4K上的结构相似性、平均精度与召回率、相关性、平均误差指标均值分别提高了1.41%、1.74%、0.14%、0.77%;和同类模型相比,该模型具有更丰富的边缘,定位伪装区域更准确;在实际应用中,模型检测速率可达46帧/s,证明模型具有较好的实时检测能力。