基于PCNN的灰度图像边缘检测方法

脉冲耦合神经网络(PCNN)最初由Eckhorn根据猫大脑中视觉皮层神经元的同步脉冲(SynchronousBurst)现象而提出。由于具有一系列良好的特性,PCNN在图像处理、模式识别等领域获得了广泛的应用。文献[6]根据PCNN的传播特性提出了一种利用PCNN检测二值图像边缘的有效方法,但这种方法并不能直接用于对灰度图像的边缘进行检测。由于实际处理的图像大部分为灰度图像,因而其方法的适用性是很有限的。该文提出了一种基于PCNN的灰度图像边缘检测方法,从而直接对256色灰度图像的边缘进行提取,具有较好的适用性。实验结果表明该方法是有效的。

用数学形态学进行图像边缘检测的新方法

本文提出了求灰值腐蚀、膨胀运算结果的简便方法--模板法.应用此方法在检测灰度图像的边缘过程中可较容易地做腐蚀、膨胀运算.先得出用数学形态学检测灰度图像边缘的算法1,然后在分析了其效果并指出不足的基础上,把算法1中用一个结构元素既做腐蚀又做膨胀,改进为用四个不同方向的结构元素只做膨胀,得出了效果比较理想的算法2.

基于Unit-Linking PCNN的灰度图像边缘检测

利用Unit-Linking PCNN模型,结合最小交叉熵准则,边缘检测预处理,均匀分块处理,将灰度图像分割成二值图像,在二值分割图基础上实施Unit-Linking PCNN边缘检测.边缘检测预处理以块状增强方式增强了图像对比度,强化了图像边缘;均匀分块处理实现了灰度图像的近似多阈值分割.分析了边缘检测预处理中各步骤的作用,比较了不同均匀分块数目对边缘检测结果的影响.与Canny算子和相关文献结果相比,该研究检测的边缘体现了更丰富的图像细节,且神经元模型参数对图像边缘检测结果的影响较不敏感.仿真结果表明,该方法具有较理想的灰度图像边缘检测结果,具有较好适用性.

一种虹膜定位算法

针对虹膜二值边缘图像提取的困难 ,提出利用虹膜图像的灰度边缘图像以及虹膜的几何特征进行虹膜定位的快速算法 .首先根据虹膜图像的整体灰度分布信息特征 ,利用改进的 Sobel算子提取虹膜的灰度边缘图像 ,然后利用圆的对称性质以及投票策略提取虹膜的中心 ,最后利用 Hough变换的半径直方图投票提取虹膜内外径 .实验结果证明 ,该算法提高了虹膜定位的速度 ,并且具有较强的抗干扰能力 .

一种快速自适应RSUSAN角点检测算法

根据图像边缘灰度的渐变性,我们重新定义SUSAN(Small Univalue Segment Assimilating Nucleus)算法中小核值相似区;并找到一种更为有效和简便的计算小核值相似区面积的方法;在此基础上提出了RSUSAN(Redefined SUSAN)角点检测算法。与经典的角点检测算法SUSAN、MIC(Minimum Intensity Change)相比,RSUSAN具有角点检测准确性高。计算简单,运算速度大为提高等优点。对于模糊、噪声大的图像本文还进一步提出了采用自适应平滑和RSUSAN相结合的方法,称为自适应RSUSAN算法。实验证明,相比较SUSAN、MIC算法而言,自适应RSUSAN算法没有显著地增加计算量,而且在对模糊、噪声大的图像进行角点检测时,虚报及漏检概率大大减少,对噪声的鲁棒性好,角点检测位置精确。