基于图像粒的目标对象边界周长估算

针对图像目标边界的模糊化和周长计算时间长的问题,结合粒计算,提出一种图像粒的目标边界周长估算方法,首先对图像进行分块、粒化预处理,然后应用经典算法对目标边界周长进行估算,从而使图像数据得到降维,降低了算法复杂度,同时减小了边界模糊化的影响,提高边界周长估计的准确性和适应性。实验应用所提方法和三种传统周长计算方法分别计算合成目标对象的边界周长,并与标准周长进行比较。实验结果表明,所提的算法在保持周长计算精度的情况下,计算时间更短,特别在边界模糊的情况下,所提的算法具有更好的精度和适应性。

基于图像森林变换的灰度目标周长估算

数字图像中目标对象的周长是一个十分重要的目标形态特征,二维图像中的目标周长估算在图像特征提取、目标识别等方面具有十分重要的作用。目前已有的估算方法对二维灰度图像目标边界模糊和图像含噪声估算精确度不高,针对这一现状,结合图像森林变换(IFT),提出基于IFT的改进的目标周长估算方法。利用IFT方法优化图像目标厚度边界信息来估算灰度图像的边界周长,从而提高周长估计的精确性和鲁棒性。为了获得图像目标的标准周长,实验采用人工合成的图像。对具有不同边界厚度的目标、含噪的图像的目标进行周长估算实验。提出的改进算法在图像目标边界模糊和含噪声情况下所得的结果均具有较高的精确度。提出的改进的灰度周长估算方法,在模糊图像与含噪图像的处理中具有更好的适应性和稳定性。

灰度级信息的目标边界精确周长估算

目的针对图像目标边界不连续或具有模糊性导致的目标周长无法精确估算这一问题,结合边界跟踪,提出一种基于灰度级信息的目标边界精确周长估算方法。方法该方法利用目标边界的灰度级信息,同时结合边界跟踪得到的内外边界来估计目标图像的边界周长,从而提高边界周长估计的精确性和鲁棒性。为了获得目标物体真实周长,实验采用人工合成图像。结果实验应用所提方法和3种传统周长估算方法分别计算合成目标对象的周长,并与真实周长比较。为了验证所提方法的有效性和鲁棒性,实验中对目标对象的边界进行不同程度的加厚模糊化;并在边界加入噪声,使边界不连续。当边界变得复杂时,本文所提方法的优势得到极大体现。结论实验结果表明,在边界模糊和边界不连续的情况下,本文所提的算法具有更好的适应性和稳定性。