基于改进边缘检测算法与灰度梯度正则化的导线舞动监测方法

为确保导线的电能传输质量,本文研究基于改进边缘检测算法与灰度梯度正则化的导线舞动监测方法,提升导线舞动监测效果,精准监测导线舞动情况。实验证明:该方法可有效去除导线图像噪声,提升导线图像清晰度;该方法可精准提取导线边缘线,且导线边缘线提取的连续性较优;该方法可有效监测导线舞动状态。

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。

基于改进引导滤波的图像边缘检测算法研究

针对Canny算法中图像平滑导致细节缺失,且不能动态判别、锐化图像边缘的问题,提出了一种基于自适应加权引导滤波的Canny边缘检测算法。该算法对引导滤波做出两点改进:一是通过移位技术增加引导图像边缘坡度,实现图像锐化;二是引进分段权值模型对引导滤波算法的正则化参数自适应修正,使其能够根据梯度信息区分边缘和非边缘,从而自动改变平滑程度。较传统Canny算法,采用本算法处理的图像PSNR(峰值信噪比)提高了1.50~6.92dB,PFOM(Pratt品质因数)提高了0.02~0.31。实验结果表明:该算法能有效地锐化图像,提取到完整清晰的边缘。

基于MATLAB改进Canny算子边缘检测路径提取立交桥曲线的研究

针对工程项目中涉及的遥感影像图、航摄正射影像图,基于MATLAB程序设计研究改进后的Canny算子在立交桥曲线提取的应用。通过图像增强、线性与非线性处理相结合、形态学处理以及梯度倒数加权平滑针对像素点创建结构元素修改边缘检测路径,较初始检测算法得到更具实用性的目标提取对象,改进的提取程序能有效滤除目标对象周围非目标提取物干扰,提取指向性显著提高。提出以像素点提取参考点范围坐标的思路,以点位中误差为基准计算提取精度,成果能满足工程中1∶1000比例尺下的生产应用,将程序封装在GUI界面中提供模块化处理和成果输出。

基于尺度与对比度不变的图像边缘检测算法

为了克服当前边缘检测器中难以准确估计边缘的对比度和宽度,且易受到噪声影响,导致其边缘提取精度降低的问题,设计了一种尺度与对比不变的边缘检测算法。首先,借助Gaussian分布函数来描述目标边缘,求解闭合形式的位置、宽度、对比度、偏移和方向等参数,并且将噪声滤除为低对比度特征。其次,定义了一种尺度归一化方法,确保所有像素点在尺度空间中都能获得稳定的极值。然后,通过梯度幅度信息,基于Laplacian计算方法,构建尺度与对比度不变的边缘检测器,消除对比度参数的影响,准确获取图像的边缘。测试数据显示,较已有的边缘检测方法而言,所提方法呈现更优的提取效果,得到的边缘更加清晰与完整。

基于改进形态学梯度和Zernike矩的亚像素边缘检测方法

为满足电荷耦合器件(CCD)图像测量系统的快速、高精度测量要求,提出了一种基于改进形态学梯度和Zernike矩算法的图像亚像素边缘检测新方法。基于CCD图像灰度和空间结构信息特点,该算法先利用改进的数学形态学梯度算子进行边缘点的粗定位,在像素级上确定边缘点的坐标和梯度方向;然后再根据构造的边缘点向量和参考阈值,用Zernike矩算法对边缘点进行亚像素的重新定位,实现图像的亚像素边缘检测。仿真图像和实际图像的边缘定位实验结果表明,与Zernike矩、LOG-Zernike矩及Sobel-Zernike矩算法相比,该方法具有更好的定位精度与抗噪性,且检测速度更快。

基于多结构多尺度形态学梯度的医学图像边缘检测

边缘检测在医学图像处理中占着至关重要的位置,检测的准确性将直接影响诊断和治疗。本文针对传统边缘检测算子对噪声敏感的不足,结合医学图像的特点,提出了一种形态学梯度运算的修正算法。首先由闭一开运算完成图像预处理以滤除噪声,再作闭运算平滑图像,最后对平滑的图像作多尺度的形态学梯度运算,得到噪声存在下的理想边缘,并将其用于医学图象的边缘检测。实验结果表明,该算法具有良好的边缘提取能力,抗噪性能良好,具有一定的实用性。

新的梯度边缘检测方法

提出了一种新的基于梯度算子法检测灰度图像边缘的方法。该方法在3×3的邻域窗内,分别用梯度法对窗内的水平方向、垂直方向和正、负45°角方向上的边缘线进行检测,找到梯度最大的边缘线,从而组成最终的边缘图像。实验表明:该方法简单,边缘检测图像效果好。在此基础上,又提出了增强边缘检测方法和简化边缘检测方法。这两种对基于梯度算子法的改进方法分别适用于检测小的边缘梯度和需要快速检测边缘这两种情况。

多梯度融合的RGBD图像边缘检测

基于单一的属性变化进行边缘检测往往会损失部分边缘信息,影响了检测结果的完整性,对此提出一种基于多梯度融合的边缘检测算法。该算法针对RGB图像,首先转换到YCbCr颜色空间下,分别提取亮度分量Y颜色分量Cb、Cr针对提取的亮度分量Y颜色分量Cb、Cr,结合深度图像D,分别使用多方向的圆形边缘检测算子进行梯度计算,对所获得的4种梯度图像进行融合获得边缘检测结果。实验结果表明,算法获得的边缘检测结果更加清晰完整,有效的提高了边缘检测的效果。

基于概率密度梯度的边缘检测

提出了一种新颖的基于概率密度梯度的边缘检测算法.新算法通过估计图像中各像素点的概率密度梯度得到图像的概率密度梯度场,然后根据图像的边缘点在概率密度梯度场中具有两侧梯度方向相反的特性实现边缘检测.与现有的算法相比,新算法检测得到的边缘点具有尺度不变性,并可以直接从图像中检测出具特定尺寸区域的轮廓,完好地保持物体的形状.

一种基于梯度极值的边缘检测算法

分析了经典微分边缘检测算法存在的问题，提出了一种基于局部区域微分极值的边界检测算法，该算法的特点是在局部区域边界检测窗口内直接提取边界象素，分割的边界为真实边界，边界连续性好，适合于照度不均匀图象的分割．

基于模糊梯度法的边缘检测方法

根据图象边缘灰度的梯度变化 ,构造图象灰度模糊矩阵和描述边缘点的隶属函数 ,利用遗传算法实现隶属函数各参数的寻优过程 ,并由输出隶属度判断提取图象边缘点 ,实现了图象的边缘检测。实验表明 ,该方法能有效地描述边缘的穿越过程 ,并可改善检测结果。

基于多尺度形态学梯度的医学图像边缘检测

边缘检测是数字图像处理的一个重要内容,经典的边缘检测算子算法主要采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学利用结构元素去探测图像,在讨论形态腐蚀和形态膨胀的基础上,提出了一种基于多尺度形态学梯度的医学图像边缘检测算法。单尺度形态学基元随着尺度的增大形成新的更大尺寸的结构元素,从而检测不同的边缘信息,最终重建较理想的图像边缘。仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显优于经典的算子检测算法,检测精度较经典的单一梯度算子检测方法亦有一定的改善。

基于形态学梯度的图像边缘检测算法

边缘检测是数字图像处理的一个重要内容,讨论了经典的边缘检测算子算法,该算法更多地采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学在图像处理中有广泛的应用,其基本原理是基于利用结构元素去探测图像;在讨论常见数学形态学梯度的基础上,提出了一种基于形态学梯度的图像边缘检测算法,应用定义的形态学梯度结构检测出较理想的图像边缘信息。仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显地优于经典的算子检测算法,在检测精度方面较经典的单一算子检测方法亦有一定的改善。

基于Sobel梯度模板的多阈值实时边缘检测方法

为了解决传统边缘检测方法存在的边缘短小、边缘丢失和噪声敏感等问题,提出一种基于Sobel梯度模板的多阈值实时边缘检测方法。该方法在大阈值下收集用于边缘定位的标兵点,在小阈值下确定用于边缘连接的搜索区域,并结合一种连点画图游戏的思想,利用不同阈值下收集的边缘线索和信息提取最终的边缘。实验结果证明,该方法运行速度快,具有较好的实时性,检测的边缘为单像素宽度,定位精确,连续性好。

基于多尺度自适应梯度的图像边缘检测方法

为了克服基于小波变换的双阈值递归边缘检测算法检测到的图像边缘不连续的缺点,提出了将自适应梯度算法和双阈值递归相结合的图像边缘检测方法。通过获得二维小波变换的模极大值点来检测图像的候选边缘点;在确定双阈值的情况下,选择高于较大阈值的为边缘,低于较小阈值的为非边缘;通过对候选边缘点的3×3邻域和5×5邻域的跟踪补偿,确定介于双阈值之间的候选边缘点是否为最终的边缘点。实验结果表明,在同样阈值下,该算法比双阈值递归边缘检测算法获得的图像边缘连续性更好,能够更有效地抑制噪声,边缘检测效果更好。

基于多方向梯度边缘预测器快速边缘检测算法

改进了无损压缩编码中的梯度自适应预测器(GAP)和梯度边缘检测(GED)预测器,并应用在图像边缘检测中,提出基于多方向梯度边缘预测器(MGEDP)的动态阈值控制的边缘检测算法。该方法主要步骤为:1)从图像中心划分四个区域;2)采用并行技术多个方向应用MGEDP模板,分别预测错误值,利用错误反馈信息构建预测误差图像;3)利用大津算法计算阈值,分类误差图像边缘;4)细化边缘;5)合成边缘图像。实验证明:应用并行技术降低了时间复杂度,以中心逐步向四周选择预测参考点避免了误差繁衍,最终得到清晰完整、细节丰富的边缘图像。

基于分块梯度直方图的边缘检测

针对图像中存在的弱边缘对比度低、模糊、难以探测的问题,本文提出一种新的并且原理简单的边缘检测算法。该方法根据梯度在边缘处的直观响应,结合直方图的统计特性以及分块操作的局部处理能力,综合而成分块梯度直方图。然后,通过相邻块内部的梯度峰值的互确认操作,得到对梯度强弱不敏感的边缘,从而能够获得图像中更多的特征信息。实验验证表明,该算法的性能在同等算法和经典的边缘检测算子中表现良好,并对噪声具有不敏感性。

基于改进形态学梯度的齿轮边缘检测

经典的边缘检测算子算法更多地采用Prewitt算子、LOG算子和Canny算子等在空域中进行。数学形态学在图像处理过程中不涉及变换,其原理是利用结构元素检测图像,并直接处理图像的特征信息。在形态学梯度的基础上,提出了一种基于改进形态学梯度的图像边缘检测算法,选取合适的形状以及尺寸的形态学梯度结构元素,并组合使用以检测出较理想的图像边缘信息。试验结果表明,该算法在含噪图像中能较好地保存图像边缘信息,有更好的定位精度和抗噪性。

一种基于Sobel算子梯度增强的边缘检测算法

针对传统Sobel算子在图像边缘检测中存在的弱边缘提取较差及边缘较粗等不足,提出了一种局部梯度增强的检测算法。算法采用改进的Sobel算子卷积模板计算图像梯度;然后对梯度图像采用局部标准差方法增强局部弱边缘的梯度,最后对局部梯度增强的图像进行细化处理并提取图像边缘,得到边缘图像。实验结果表明,该算法获取的边缘图像边缘信息较丰富,连续性好,边缘较细,整体效果优于传统Sobel算法,具有较高的实用价值。