基于隐马尔可夫模型边缘表示的多尺度边缘检测

基于增强图像特征空间的特性分析 ,提出一种新的图像边缘表示模型———隐马尔可夫模型 ,该模型把边缘作为一个可观测序列 ,认为它是人们根据感官知识 (不可观测的状态量 )所观察到的具有一定空间关系的像素集合 ;通过小波变换 ,得到多尺度增强图像 ;将包含在低分辨率图像边缘中的全局信息进行综合 ,作为高分辨率图像中隐马尔可夫边缘模型的训练数据 ,使用Viterbi算法完成高分辨率图像中边缘点的搜索 ,从而 ,使得多分辨率边缘检测对先验知识的依赖大大降低 ,同时降低了计算复杂度 .边缘的隐马尔可夫模型表示也为多分辨率数据融合提供了一种有效的工具 .实验表明该模型是合理的。

基于多尺度边缘表示的偏振图像二次融合算法

针对传统成像技术探测信息量少以及传统图像融合方法计算量大,不能凸显边缘轮廓的问题,提出一种基于多尺度边缘表示的偏振图像二次融合方法。首先,对同时偏振成像系统获取的4个偏振角度图像进行多尺度边缘去噪、配准预处理。然后一次融合,即将预处理后的4个偏振角度图像进行二进小波分解,在不同尺度上对低频、高频系数进行特定组合,计算得到Stokes向量[I Q U V]T,线偏振度(DOLP)和偏振相位角(AOP)等偏振信息;二次融合,即是根据边缘相关性原则融合偏振强度图像和线偏振度图像经小波分解后的高频系数,低频用区域能量的方法。最后,采用交替投影迭代法重构融合图像的低频、高频系数,得到重构图像。实验结果表明,本文算法的融合性能优于传统方法。以小波变换法为参考,平均值提高65.48%,标准差提高95.98%,平均梯度是传统小波的6.45倍,边缘强度是小波变换的5.54倍。本算法提高了运算速度,结合了强度图像亮度信息和线偏振度图像反映不同物体性质的特点,突出了目标轮廓细节,能很好地识别隐藏、伪装的目标。

一种基于小波多尺度边缘表示的图像滤波方法

该文首先介绍了信号小波变换的模极大值点和过零点的特性以及信号的多尺度边缘表示方法，然后介绍了一种在尺度空间基于小波多尺度边缘表示的图像非线性滤波方法。实验结果表明，这种滤波方法能取得令人满意的结果。

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。

小波变换和边缘信息的光谱图像融合研究

光谱图像融合能够准确提取图像中的目标特征,可降低光谱图像目标检测误差与识别误差。以光谱图像融合问题为研究核心,提出基小波变换和边缘信息的光谱图像融合算法,采用基于小波的多尺度边缘检测方法获取光谱图像边缘信息,通过基于BayesShrink阈值抑制的边缘去噪方法,去除光谱图像边缘的噪声,对经过去噪后的光谱图像实行首次融合获取四种光谱图像,计算强度图像与线光谱图像DOLP的边缘相关性,最终通过边缘相关性实行光谱图像二次融合。经验证,所提算法能够继承光谱源图像中大量边缘信息,充分突出目标细节性边缘,且融合后的光谱图像清晰度最高。

农田蛾类图像分割方法研究

介绍了已有的农田蛾类昆虫检测装置和相关研究技术。在已有技术的基础上,介绍了图像的预处理和杂质点的消除方法。在对提取的图像进行分割时,首先介绍使用Otsu方法来对图像进行分割,接着采用sobel算子提取蛾类对象的边缘,以边缘像素为种子点,使用区域生长来对蛾类图像进行分割。通过比较这两种分割方法可知,使用区域生长方法对蛾类图像分割的效果较好。