田间麦蚜图象的边缘检测研究

图象作为更直接更丰富的信息载体，正在成为越来越重要的研究对象。昆虫是生物类群中物种最丰富、数量最多的一类，因此也是最为重要的生物类群之一。研究昆虫图象的处理和分析对昆虫形态学、昆虫生态学以及昆虫测报所需的田间抽样调查具有重要意义，最终将实现田间昆虫数...

用细胞神经网络提取二值与灰度图象边缘

边缘是图象的重要特征 ,采用细胞神经网络提取图象边缘时 ,网络参数的选择是一个重要问题 .为了能够有效地提取图象边缘 ,基于高通滤波模板 ,选择了细胞神经网络的一组简单易行的参数 ,首先将其用于检测二值图象边缘 ,再在此基础上 ,通过综合灰度值各位面边缘检测的结果提取出灰度图象的边缘 .与传统边缘提取方法 So-bel和 L og方法的比较可见 ,该方法是有效的 ,并且由于细胞神经网络具有高速并行运算、便于硬件实现等特点 ,因此使其在图象实时处理中具有更大的潜力 .

基于边缘的图象配准改进算法

现有的图象配准方法对旋转处理比较困难 ,且处理效率不高。本文提出一种基于边缘的图象配准改进算法。该算法首先用小波的快速方法提取边缘特征点 ,通过线拟合模型消除噪声 ;然后得出特征点的边缘方向 ,定义“角度直方图”来估计两幅待配准图象间的旋转角 ,应用线性加权方法消除奇异点 ;

多重分形分析图象边缘提取算法

提出了一种基于多重分形分析的图象边缘提取算法 ,通过计算每个象素点的奇异值和多重分形谱 ,并根据多重分形谱的各种测度修正 ,提取出图象的边缘信息 .在分析图象的各种象素点的多重分形谱特性的基础上 ,着重分析了多重分形谱常用的若干测度以及选取标准 .该算法利用奇异性H¨older指数和多重分形谱以及它们组成的判据来进行图象边缘提取的思路不同于传统的基于梯度的局部极值点来进行图象边缘提取的方法 .实验结果表明 :该算法可以在保留重要边缘信息的情况下去除不重要细节 ,更能符合人的视觉心理 .

一种提取图象细节边缘的新方法

边缘是图象的基本特征,边缘信息是进行图象分析和识别的重要属性,但由于常用的边缘提取方法在提取边缘的同时,容易丢失图象的细节边缘信息,为此提出了一种基于灰度形态学和图象分解技术相结合的图象细节边缘提取方法,该方法首先运用灰度形态学方法检测出包含图象细节的边缘图象并去除部分背景和噪声,然后进行区域分解,再通过对不同的区域选取不同的阈值来保证边缘提取的完整性.仿真结果表明,与传统方法相比,该方法能有效地提取一般图象的细节边缘,甚至能提取被噪声污染图象的边缘.

基于数学形态学的商标图象边缘提取

介绍一种全新的基于数学形态学的商标图象边缘提取方法，根据商标图象边缘与内部区域结构形态的差异，通过与之相匹配的结构元素，运用数学形态学的方法对商标图象边缘进行提取。

基于Canny准则的颗粒图象边缘检测算法

本文详细阐明了Canny准则以及基于Canny准则的算法 ,并在此基础上结合动态阈值对原有算法加以改进。将其应用于颗粒图象的边缘检测中 ,取得了良好的效果。

图象的多尺度边缘相位水印算法

提出一种基于图象多尺度边缘的新相位水印算法 .利用常用于边缘检测的二进小波刻画图象的多尺度边缘 ,在多尺度边缘的相位成分中嵌入数字水印 ,利用相关检测器进行水印检测 .实验证明算法具有不可见性 ,较好的安全性 。

模糊熵应用于图象边缘检测

图象边缘检测在图象分析和识别中具有重要的意义。作者将模糊子集理论１、２中的模糊熵概念引入图象边缘检测中去，在图象的模糊特征平面（域）上，用最大熵原则地确定边缘阈值。

一种基于δ函数的图象边缘检测算法

提出了一种基于δ函数的图象边缘检测算法 .首先提出了正则化的 Shannonδ函数 ,它是低通滤波器 ,且其傅立叶变换是无限可微的 ,接着推导了正则化的 Shannonδ函数及其一阶导数的时域和频域公式 ,研究了正则化的 Shannonδ函数及其一阶导数与参数 s和 t的关系 .然后根据正则化的 Shannonδ函数及其一阶导数 ,提出了两种边缘检测算法 :一种是用于精细地检测边缘的 D算法 ;另一种是用于从含噪图象中检测边缘的 C算法 .D算法用正则化的 Shannonδ函数的一阶导数检测边缘 .C算法用正则化的 Shannonδ函数平滑噪声 ,用正则化的 Shan-nonδ函数的一阶导数检测边缘 .最后进行了仿真实验 ,仿真实验表明 ,D算法的性能由其参数决定 ,且该算法优于Sobel算法和 Prewitt算法 ;C算法优于 Sobel算法和 Prewitt算法 ,且与 Canny算法的性能相当 .总之 。

基于小波域边缘方向特征的SAR图象噪声抑制方法

给出了一种新的基于小波变换的合成孔径雷达 (SAR)图象斑点噪声抑制方法 .利用每一级小波分解得到的小波系数子带 HL和 L H,以及对原图进行水平方向旋转正负 4 5°扫描后得到的另外两个正交方向的小波系数子带 rc HL和 ra HL ,可以判断出对应点边缘方向性的强弱 ,通过设定方向性阈值 ,确定该点是否位于边缘上 ,进而对没有位于边缘的点进行平滑 ,达到保留图象边缘的同时 ,抑制斑点噪声的目的 .为解决对某些振荡型边缘的检测问题 ,还结合阈值法 ,对该方法做了改进 .实验表明 ,与小波域的硬阈值或软阈值去噪方法相比 ,此方法在有效地抑制斑点噪声的同时 ,更好地保留了 SAR图象中的边缘和纹理信息 .

使用小波变换的图象边缘检测算法

将小波变换理论应用于图象边缘提取,提出了一种新的图象边缘检测算法。一种相对于(c_0,c_3)=(0.05,0.05)的对称尺度函数被用于二进小波变换,得到原图象的一个多分辨率表达式,再提取图象的边缘特征。实验结果表明,本方法是解决图象边缘提取的一个十分有效的模型。

图象边缘增强的多分辨率侧抑制网络方法

侧抑制网络具有"突出边框,增强反差"的功能,但其增强反差的同时也增强了噪声,抗噪性差;小波变换具有平滑噪声的性能,但在平滑过程中会引起边缘模糊。将两者有机结合构造多分辨率侧抑制网络,利用小波变换平滑噪声,而利用侧抑制网络增强边框,从而准确、有效地增强图象的边缘。理论和实验结果表明:该方法能有效地增强具有低对比度、低信噪比、边缘模糊的红外图象的边缘。

基于小波变换的多尺度图象边缘检测

提出了一种新的图象边缘检测方法,这种方法解决了第一代多尺度边缘检测方法中存在的两个问题,即边缘仅定义为信号的奇异性表现和滤波尺度参数难以选择。实验结果表明,本方法和传统的边缘检测算法相比具有定位精度高,去噪效果好等明显的优点。

图象边缘检测技术概述

阐述了微分、基于小波与分形理论和基于形态学等多种图象边缘检测方法,分析了以上各种方法在图象边缘检测应用中的发展状况及优势与缺陷.分析结果表明,对于图象边缘检测这样一个非良态问题,寻求算法较简单、能较好解决边缘检测精度与抗噪性能协调问题的算法,一直是图象处理与分析研究的主要问题之一,还有许多工作有待进一步探讨.

基于图象边缘的水印算法

提出一种基于图象多尺度边缘的水印算法。利用常用于边缘检测的二进小波变换检测出图象的多尺度边缘,在选择出的重要多尺度边缘中嵌入数字水印。利用相关检测器进行水印检验检验过程需要原始图象。实验证明算法具有不可见性安全性对通常的图象处理有较强,,,的鲁棒性。

检测噪声图象边缘的概率集群识别方法

本文提出一种噪声图象中检测边缘的新方法。该方法从图象的灰度概率域入手,将概率谱分为两个等面积的集群,通过判定群间距离检测图象的边缘。理论分析与实验结果表明,这种方法具有较强的噪声抑制能力和边缘提取能力。

一种快速的图象边缘提取算法

本文设计的图象边缘提取算法,具有较高的抗“噪声”能力,运算速度快,提取的边缘线只有一个象元宽。

用干涉滤波技术实现图象边缘增强

本文提出了用干涉及滤波技术实现图象边缘增强的一种新方法。将同一物体的一张正确对焦的透明片与另一张离焦的透明片重叠放在透镜的前面,在单色平行光照射下,在透镜的后焦面上得到两图象的谱的干涉,通过对干涉条纹的适当滤波,可在输出面得到边缘增强的象。