噪声图象中提取边界的随机启发式搜索方法

在噪声图象中如何有效地提取边界是图象分析领域中的难点 .启发式搜索的方法常常用于提取边界 ,但是 ,这种方法由于采用固定的起始点、固定的引导度量以及对图象仅进行一次性搜索 ,对噪声往往很敏感 ,为此提出了一种随机启发式搜索算法 ,该方法随机地选取起始点 ,并依照引导度量的概率反复地进行随机搜索获得各种可能的边界轨迹 ,然后进行各搜索轨迹的积累自增强 ,最后根据自增强积累统计结果获得边界 .大量的实验结果证明 ,在噪声图象中 。

提取图像边缘过程中抑制噪声的随机启发搜索算法

常用的边缘提取方法对噪声的抑制能力不强 ,导致了大量不连续边缘的产生。文中提出了一个随机启发式搜索算法 ,它能够有效地抑制噪声 ,从而连接到连续的边缘。同时 ,介绍了随机启发式搜索算法 ;讨论了起始点的选择准则和扩展点的选择方法 ;最后介绍了终止点选择的方法。一个起始点、一个终止点和许多扩展点就形成了一个候选边缘。通过候选边缘的随机积累进行自增强 ,达到抑制噪声、提取清晰边缘的目的。文中使用加入高斯噪声的“Lena”图像作为实验图像 ,实验结果初步证明了该算法能够提取到连续。

一种新的保留细节信息的噪声图像边缘提取算法

一种用于噪声图像边缘提取的算法首先对噪声图像进行小尺度高斯滤波,使用新型边缘检测算子获取引导信息(边缘检测算子在定位精度、抑制噪声和虚假边缘方面具有很好的性能),然后对各搜索轨迹进行分段自增强,最后根据自增强累积的程度获取噪声图像中的边缘。实验结果表明,该算法能够有效地从噪声图像中提取物体的真实边缘,并能最大限度地保留细节信息,性能优于经典的边缘提取算法。

景物边缘提取的边缘分段自增强算法

景物边缘信息是进行图象分析和识别的重要属性,如何有效地从噪声图象中提取边缘是这些领域中的难点。该文提出了一种边缘分段自增强算法用于噪声图象的边缘提取。该算法首先对噪声图象进行小尺度高斯滤波,并使用该文设计的新型边缘检测算子获取引导信息,此边缘检测算子在定位精度、抑制噪声和虚假边缘方面具有很好的性能;然后对各搜索轨迹进行分段自增强,最后根据自增强累积的程度获取噪声图象中的边缘。实验结果表明:此算法能够有效地从噪声图象中提取物体的真实边缘,并能最大限度地保留细节信息。

景物边缘提取的独立边缘自增强算法

景物边缘提取是图像理解的重要阶段 ,针对现有边缘提取方法存在的诸多问题 ,本文提出了一种独立边缘的自增强算法 .此算法通过对边缘检测后图像的反复随机搜索获得各种可能的独立边缘轨迹 ,然后对所得的每条边缘进行独立自增强 ,最后根据积累增强的结果来提取边缘 .通过大量的实验并与另外两种边缘提取的方法———启发式搜索法和松弛标记法进行了对比 ,表明我们的方法在提取边缘的同时有效地抑制了噪声 。

独立边界自增强方法

提出了独立边界的自增强算法 .使用反复随机搜索获得各种可能的独立边界轨迹 ;使用搜索轨迹的自增强代替过去的固定点的领域增强方法 ;采用搜索轨迹的积累技术代替过去的迭代操作 .实验证明 :该方法克服了过去的方法对噪声和局部错误极度敏感的缺点 。

图像边缘提取的启发式搜索算法

常规的图像边缘提取方法容易受到噪声的影响,导致了大量不连续边缘的产生。本文试验了一种基于边缘分段自增强的启发式搜索(EdgeDetectionalgorithmbasedonHeuristicSearchED-HS)算法,该算法通过对边缘检测后图像的遍历搜索获得各种可能的边缘轨迹,然后对每条搜索轨迹进行分段自增强,最后根据增强程度的积累决定图像边缘。文中阐述和分析了算法的机理,并以加入了高斯噪声的“Lena图像”作为样本进行了计算验证。结果初步证明了该算法能够在较高的噪声条件下有效的提取到连续、清晰的边缘。