一种新的边缘检测算法研究

为了提高边缘检测的运行效率和检测精度,提出了一种新的边缘检测算法,该算法由一个自适应神经模糊推理系统和一个后处理程序组成.选取与边缘方向和梯度双重信息相关的4个目标函数作为自适应神经模糊推理系统的输入,采用计算机合成图像对自适应神经模糊推理系统进行训练.运用一个后处理程序,判断自适应神经模糊推理系统的输出值是否小于门限值,若小于则该像素点为边缘点.仿真实验表明,该方法边缘检测效果优于传统方法和当前文献报道方法.

基于邻域相关性的背景重构

背景差法是一种重要的运动检测方法,当场景中背景被长时遮挡,并非总是以最大频率出现时,往往容易将前景错误地认为是背景,从而产生错误的重构,针对该问题本文提出了一种基于邻域相关性的背景重构算法。算法首先对输入数据进行排序;其次利用简单归类算法对排序后的数据进行分类;再次计算灰度类的出现频率,根据灰度类的出现频率得到像素的背景确定标识,并为背景不确定的像素选定候选背景;最后对背景不确定的像素循环执行背景确定程序,即基于像素邻域相关性,选择和邻域相似度最大的候选背景为像素的确定背景。为验证算法的有效性,对算法进行了多种场景的仿真实验,仿真实验表明,即使在背景被长时遮挡的环境中,算法仍能很好构建背景,从而有利于后续的运动目标检测、识别和跟踪。

双阈值灰度归类背景重构算法

针对背景差法背景重构的难点,提出了一种改进的像素灰度归类的背景重构算法。该方法假定"背景在图像序列中总是最常被观测到",根据帧间灰度差和累计帧差和划分灰度类,对划分的灰度区间执行合并操作,最后选择出现频率最大的灰度类作为该像素的背景值。仿真结果表明,该算法有效地避免了混合现象,当场景本身存在缓慢变化时也能很好地构建出背景,从而有利于后续的运动目标检测、识别和跟踪。