高斯-拉普拉斯边缘检测算子的扩展研究

针对经典的高斯-拉普拉斯(LOG)边缘检测算子是各向同性的,对各个角度方向的图像边缘检测的力度是相同的特性,对经典LOG边缘检测算子引入了角度信息参量进行推导,使以圆为对称的经典的LOG边缘检测算子变成为以椭圆对称,并且可以在坐标轴旋转任意角度的边缘检测算子,增强了其边缘检测的功能,使之能对不同角度方向的边缘更加有效地进行检测.经过在Matlab里对同一幅图像进行比较实验,对于图像中不同角度的边缘均能相应地进行提取.扩展后的LOG算子,不仅增强了边缘检测算法功能,而且完全保留了经典LOG算子原有的优点.

高斯拉普拉斯算子在联合相关变换器中的应用

提出将高斯拉普拉斯算子应用在光电联合相关变换器中进行谱面图像的增强处理。光电混合联合变换器可实现对目标的实时探测、识别及自动定位,但由于实际中采集到的图像的对比度较低,且存在大量背景噪音,影响了目标的识别率。根据高斯拉普拉斯变换对高斯噪声不敏感的特性,结合了自适应阈值、边界跟踪和细化技术,对图像噪声进行滤波的同时,对图像进行了增强处理,这样最大限度地保留了光谱图像的细节信息,提高了光电联合相关系统的目标识别率。

基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别

为了抑制虹膜噪声并提高算法通用性,提出在虹膜识别中运用高斯拉普拉斯(Log)算子与自适应优化伽柏(Gabor)滤波。Log算子抑制虹膜噪声,40组频率和方向各不同的Gabor滤波提取虹膜特征,将特征转化为二进制特征编码。滤波参数用变异粒子群优化(MPSO)算法针对不同虹膜库进行自适应优化。通过计算虹膜间的汉明(Hamming)距离判定虹膜类别。与其他Gabor滤波和机器学习类算法相比,该算法可以有效抑制虹膜噪声干扰进而提高识别正确率,同时算法在多种虹膜库识别的通用性更好。

高斯—拉普拉斯算子场源边界识别方法

高斯—拉普拉斯算子是各向同性的二阶微分算子,具有旋转不变性,对重磁场梯度突变敏感,与异常边界走向无关;利用高斯—拉普拉斯算子消除空间尺度小于高斯空间系数的数据强度变化,压制噪声干扰,计算出梯度的零值点位置圈定重磁场的边界。理论模型和实际资料表明高斯—拉普拉斯算子方法具有边界识别效果好、分辨能力高、边界定位准确等特点,对于不同埋深、不同规模、不同产状的多场源叠加的复杂地质构造,可以清晰地勾勒出梯度相对平缓的微弱异常以及相邻叠加相互干扰的局部异常边界位置,为进一步提高重磁位场局部异常精细解释提供丰富的细节信息,对识别地质体边界、划分大地构造单元、确定断裂带和地质构造走向等具有一定意义。

高斯拉普拉斯算子检测马铃薯斑点缺陷研究

提出一种用高斯拉普拉斯算子的方法对马铃薯斑点缺陷进行检测,也称为"Lo G斑点"检测,该算法结合B通道灰度化及迭代阈值分割法可以有效地识别马铃薯表皮的干腐、结痂缺陷。实验采集了2 5 8个马铃薯样本的516个正反面图像,正确识别率94%以上。结果表明:该方法对检测马铃薯的干腐及结痂缺陷有效。

基于高斯-拉普拉斯算子的图像边缘检测方法

提出了一种基于高斯-拉普拉斯算子的图像边缘检测方法,通过MATLAB软件仿真实验,证实了这种方法的可行性和有效性。

基于高斯拉普拉斯算子的色域映射算法

目的进一步提高色域映射质量,深入研究空间色域映射算法。方法利用高斯拉普拉斯算子对原图的边缘细节进行提取,叠加到映射后图像上再进行二次映射,得到的图像使用结构相关性和图像色差模型进行评价,将数据与最小色差法、CUSP和Bala等人提出的算法进行比较。结果基于高斯拉普拉斯算子的色域映射算法的结构相关性和图像色差都比Bala等人提出的算法要好。对于色彩艳丽、细节丰富的图像,空间色域映射算法结构相关性和图像色差反而不如普通算法。结论基于高斯拉普拉斯算子的色域映射算法能够提高图像的映射质量,但是空间色域映射算法映射质量并不一定优于非空间类色域映射算法。

基于拉普拉斯高斯算子边缘检测的零水印版权保护算法

为满足数字媒体信息版权保护需求,提高零水印在抵御数字信号攻击时的鲁棒性,在Chang所提出的零水印版权保护算法的基础上,对图像特征提取中的边缘检测方法进行改进,利用拉普拉斯高斯算子(LOG)边缘检测代替Chang算法中的Sobel边缘检测。仿真实验表明,该算法在抵御数字信号攻击时具有较高的鲁棒性。

基于高斯拉普拉斯算子的汽车轮胎磨损检测算法

针对目前人为根据经验判断汽车轮胎是否达到最终使用时间不准确造成资源浪费的问题,提出了一种基于高斯拉普拉斯算子的汽车轮胎磨损检测算法。首先,将拍摄的汽车轮胎图片进行预处理,包括图像灰度化和高斯滤波,用拉普拉斯算子对图像的边缘进行检测;然后,对处理好的图片进行像素坐标提取,通过汽车轮胎花纹深度的检测算法,得到轮胎的实际深度值;最后,将检测的花纹深度值和轮胎使用的临界深度1.6 mm进行对比,若大于这个临界深度,就判断该轮胎可以继续使用,反之,则不可继续使用。实验结果表明:该实验方法能够很好地计算出轮胎花纹的深度值,其准确率可达97.23%以上。

基于改进LOG算子的雷达图像边缘检测算法

雷达图像中固定地物杂波的边缘轮廓对运动目标检测有重要作用.针对传统的高斯-拉普拉斯(LOG)边缘检测算法在对雷达图像进行边缘检测时对噪声敏感,易影响图像边缘轮廓信息的提取问题,提出了一种改进的LOG边缘检测算法.首先采用改进的均值滤波和双边滤波对图像进行平滑去噪;然后用拉普拉斯算子计算二阶方向导数,计算零交叉点得到图像的边缘位置信息,从而获得连续、完整的地物边缘轮廓;最后对雷达图像采用原始LOG和本文改进的LOG算法进行了对比实验.实验结果表明,在强地物杂波环境下,与原始LOG算法相比,改进的LOG算法提高了边缘的检测精度,改善了图像边缘连续性,从而可提高雷达目标的检测概率.

局部方差与小波域LoG算子相结合的自适应图像去噪算法

本文针对传统PM模型存在模糊边缘细节的不足,提出一种基于局部方差与波域拉普拉斯高斯(LoG)算子相结合的自适应图像去噪算法,首先通过小波变换进行分解提取图像的高频部分,突出图像边缘纹理等细节信息,然后在PM模型的增强控制函数中引入LoG算子进行边缘纹理检测,最后将局部方差和图像梯度结合控制扩散强度,根据控制参数自适应地选择扩散模型进行扩散去噪。仿真结果表明,本文所提算法能够自适应扩散去噪,不但能有效地去除图像中的噪声,且边缘纹理等细节信息保留的较完整,有利于图像特征信息的获取。

基于LOG算子的自适应图像边缘检测方法

鉴于传统的高斯-拉普拉斯(LOG)算子具有各向同性的特点,在很多有方向性差异的场合中并不适用,提出了基于LOG算子的各向异性算子,该算子具有方向敏感性,能够对与其长轴方向重合的边缘起到加强的作用,同时,利用该算子设计了自适应算法来模拟人眼注视机制的工作过程,并将算法实验结果与LOG算法的结果进行了比较.该算子和方法较好地解决了方向性模板对视觉解释的不完善问题.

基于LOG和Canny算子的边缘检测算法

针对传统Canny算子抑制噪声和检测低强度边缘能力不足的问题,提出一种将LOG算子和Canny算子相结合的边缘检测方法。采用LOG算子对图像进行噪声过滤,从以下3个方面改进Canny算子实现边缘检测:(1)设计高斯滤波核对过滤掉噪声的图像进行边缘增强,使低强度边缘更容易被检测;(2)在M×N邻域中计算梯度幅值和方向;(3)将梯度方向结合梯度幅值计算,使梯度幅值在边缘检测中更具依据性。对增加椒盐噪声的图像进行实验,结果表明,该方法在最大程度抑制噪声的同时,能检测到更多的低强度边缘。

改进的LOG算子与小波变换融合的边缘检测方法

传统的LOG算子在高斯滤波方差的选择上不具备自适应能力,方差的大小会直接影响到去噪和边缘保持效果.针对此问题给出了一种改进的LOG算子方法,并对原图像分别采用改进的LOG算子和小波变换两种方法进行边缘提取,最后将这两种方法检测出来的边缘图像进行融合.实验表明,融合后的图像结合了两种检测方法的优点,有效地提高了边缘检测准确性,获得了比较理想的边缘检测效果.

基于高斯拉普拉斯算子的加权引导图滤波立体匹配算法

提出了一种基于高斯拉普拉斯(LoG)算子的加权引导图滤波立体匹配算法。采用加权绝对差与梯度相融合的方式计算匹配代价。利用基于LoG算子的引导图滤波进行代价聚合,使惩戒参数能够随图像中的不同纹理区域进行自适应调整。使用赢者通吃(WTA)策略计算视差,并采用二次插值法得到最终的视差图。对Middlebury平台中的图像进行测试,结果表明,所提算法的平均误匹配率为4.32%。该算法可以有效地兼顾图像的高纹理区域和低纹理区域,并降低了视差图的误匹配率。

基于改进LOG算子的图像边缘检测方法

针对传统基于LOG算子的边缘检测算法中高斯系数σ不确定性的问题,提出了一种改进的LOG算子边缘检测方法,该算法通过引入极坐标参数θ,计算不同方向θ的1阶导数,并求得导数最大值所对应的θ,进而确定图像边缘点。研究结果表明,利用该改进算子对图像进行边缘检测时,边缘信息丰富,细节体现明显,伪边缘较少,相对传统LOG算子其具有更好的检测效果,同时与Prewitt算子、Canny算子等算法相比较,所提算法也具有明显的优越性。

基于改进型LOG算子的图像增强方法在InGaAs宽光谱红外器件中的应用

传统的LOG(高斯-拉普拉斯)算子,由于高斯函数关于中心对称,故它具有各向同性的特点,不能对不同方向的边缘进行有效地检测。基于此,建立并推导了一种改进型的LOG算子,引入了尺度参量和角度参量,改进后的LOG算子是各向异性的,能对不同方向的边缘更有效地检测,从而能更好地增强图像中目标细节。将这种改进后的LOG算子用在InGaAs宽光谱红外器件上,对其所成图像进行图像增强,经过在MATLAB里对于同一幅图像进行比较试验,结果表明相比于传统的高斯-拉普拉斯算子,改进型LOG算子检测到的图像边缘更多,同时对噪声的抑制效果更好,图像细节增强效果更好。

一种改进的自适应各向异性LOG算子

针对经典各向同性高斯-拉普拉斯(LOG)算子在具有方向性差异的场合中不适用的问题,引入多尺度,多角度参量,使之能对各个方向的边缘更加有效地检测,进而提出一种自适应各向异性LOG算子。该方法由独立强度传播(DS)模型调整长轴尺度,由像素的邻域平滑度决定长短轴的比例,然后通过8邻域一阶偏导决定长轴方向。实验表明,与传统LOG算子相比,该算法很好地解决了不同方向边缘的提取,还完全保留了经典LOG算子原有的优点。

LOG算子在FPGA中的实现

介绍了一种高斯—拉普拉斯(LOG)算子在FPGA中的实现方案,并通过对一幅bmp图像的处理,论证了在FPGA中实现的LOG算子的图像增强效果。

改进ILoG算子的故障检测方法

针对强背景噪声干扰下轮对轴承故障特征微弱、难以准确检测的问题,提出了一种自适应改进高斯拉普拉斯(improved Laplacian of Gaussian,简称ILoG)算子的微弱故障检测方法。ILoG算子滤波器具有优良的信号突变特征检测能力,将其用于轮对轴承故障信号的冲击特征检测,同时利用水循环算法(water cycle algorithm,简称WCA)的寻优特性,并行搜寻筛选最佳的ILoG算子影响参数,通过对参数优化后ILoG算子滤波后信号做进一步包络解调分析,提取出轮对轴承微弱的故障特征信息。对实际轮对轴承外圈和内圈故障信号分析的结果表明,该方法可以有效检测出轴承微弱故障特征频率,故障检测效果优于小波阈值和多尺度形态学差值滤波方法。