基于Top-hat变换的OSAHS图像边缘检测算法

提出了一种基于多方向、多尺度Top-hat变换的图像边缘检测方法,应用于阻塞性睡眠呼吸暂停低通气综合症(Obstructive Sleep Apnea Hypopnea Syndrome, OSAHS)早期病理图像的边缘检测及诊断。首先,构造不同方向、不同尺度的Top-hat算子增强图像的对比度,利用形态学梯度进行边缘检测,然后把各个算子检测到的图像边缘按照一定的权重进行组合,得到理想的边缘,以便准确地获得病理图像的相关参数,进而实现医学电子诊断。本文以口腔图像、咽喉声带处图像、鼻道内部图像的处理为例,这三组图像的处理结果表明,与传统的边缘算子相比较,该方法能使图像的边缘信息更完整、更准确,图像的边缘闭合度可达到97.67%。     

基于灰度矩的CCD图像亚像素边缘检测算法研究

根据灰度矩算子在目标成像前后的矩不变特性,利用Tabatabai等人提出的前三阶灰度矩建立了亚像素边缘检测算法的完备数学模型。通过实验对该算法的有效性和检测精度进行了研究,给出了工件的实测尺寸对比结果。实验表明:基于灰度矩算子的亚像素边缘检测算法比传统算子具有更高的检测定位精度,可满足图像目标高精度实时在线测量的要求。     

一种基于扩展数学形态学的边缘检测方法

传统的边缘检测方法对噪声敏感,抑制噪声能力差;基于经典形态学的边缘检测方法虽然具有较好的去噪能力,但不能反映全部的边缘特性。为此给出了一种扩展的数学形态学的定义,并提出了一种基于扩展数学形态学的边缘检测方法。仿真结果表明,该方法不仅能有效地去除噪声,而且通过检测所得到的边缘图像具有良好的边缘特性。     

基于局部区域灰度矩图像边缘定位方法的研究

在采用机器视觉测量零件尺寸的过程中,提出了一种基于局部区域灰度矩图像边缘定位方法。该方法先利用中值滤波对采集到的图像进行处理,然后通过Prewitt算子对边缘进行初步定位,在此基础上,对图像边缘附近的9个像素的灰度值进行一维灰度矩定位,最后采用误差分析和处理的方法,获得更精确的边缘位置。实验证明,该方法能有效提高边缘检测精度,在检测分辨率为1000DPI情况下,尺寸检测误差小于2um。     

基于多尺度张量的边缘检测算法

如何在确保边缘精确定位的同时,最大程度地抑制噪声以及图像灰度不均匀所产生的伪边缘点,是当前边缘检测所面临的难题。针对此问题,提出了多尺度张量的边缘检测算法,这种算法可以在不同尺度下获取更丰富的局部结构信息。选取适当的阈值,滤除噪声点和伪边缘,从而得到细节丰富的边缘。实验证明该方法得到的边缘细节丰富,且抗噪声性能较好。     

基于直方图均衡化的Robinson图像边缘检测算法

针对图像边缘检测,现有Robinson相关算法存在效率低、阈值设定随机性大、易出现伪边缘等问题,提出一种改进Robinson的图像边缘检测算法。该算法利用直方图均衡化对图像进行增强,然后将Robinson算子原有的八方向梯度依照两两垂直原则组合为八组,分别计算每组梯度的范数,并取其最大值作为该像素点的梯度。最后取整幅图像的灰度均值作为阈值来识别图像的边缘像素和背景像素。实验表明,相对于现有相关算法,该算法检测结果更加清晰完整,同时避免了传统算子人为设定阈值随机性大的问题。     

改进形态学相关算法以识别高相似度灰度图像

从形态学角度定义了灰度联合图像相似度，提出两种基于位表示法形态学相关算法的改进算法，通过提取位表示法的图像片边缘特征或二元化位表示法的图像片功率谱，以提高位表示法形态学相关算法对高相似度灰度图像的识别能力。     

基于灰度形态学和邻域熵值的弱小目标检测

 提出了一种弱小目标检测的新方法。从实际应用出发，考虑到复杂的背景和大量的干扰噪声，对传统熵值检测算法进行了改进，采用邻域熵值变化为检测标准。为了提高此方法的有效性，结合了灰度形态学滤波来对图像进行预处理。该检测算法的全过程为:首先对图像进行形态运算;然后对形态波后的图像进行邻域熵的计算;接着以计算所得的邻域熵的最大值和最小值为依据对图像进行分割,得到目标或目标边缘所处位置;最后用实地拍摄的空中弱小目标真实图像进行了实验验证。结果发现：该新方法可对弱小目标、大目标、多目标进行检测，且检测速度快，抗噪声干扰能力强。     

基于多尺度数学形态学的连铸坯缺陷边缘检测方法

连铸坯的缺陷会对轧制工艺产生影响,通过对连铸坯表面图像特征进行分析,提出了一种基于多尺度数学形态学的连铸坯表面缺陷检测方法。该缺陷检测方法能够有效去除噪声,并对水痕、氧化铁皮、渣痕等伪特征具有较好的抑制作用。实验结果表明,与Sobel方法、Prewitt方法、Canny方法、Laplacian方法等边缘检测方法相比较,该方法对缺陷边缘提取完整、平滑、定位准确,识别准确率达96.37%。     

一种改进的Sobel图像边缘检测算法

边缘检测在数字图像处理和计算机视觉中有着重要的应用。对数字图像处理中具有代表性的Sobel边缘检测算法进行了分析。针对该算法存在检测出的边缘粗且对噪声极其敏感的缺点,提出了一种改进算法。该算法对实际图像中出现的边缘类型进行了数学模型描述,然后把连续型的边缘模型作为研究对象,重新构造了对图像边缘方向进行检测的模板。针对Sobel边缘检测基于一阶导数极大值或二阶导数零交叉而带来的边缘定位准确度不高的缺点,对图像梯度图进行了细化处理。仿真结果表明:该算法对图像噪声干扰有较强的抑制能力,提取的边缘定位准确、结构细腻。     

一种基于灰度变换的红外图像增强算法

针对红外图像，采用双门限分割法进行图像分割，然后采用分段灰度变换法进行图像增强。根据具体图像，通过人机交互的方式确定2个阈值，将图像分割为目标区、过渡区和背景区3部分；按照每一部分的特点，设计不同的灰度变换，对图像进行分段线性增强，得到感兴趣目标区的最佳视觉效果。通过对16位红外图像进行实验，得到了满意的结果。实验表明,该算法灵活便捷，在增加对比度和去除噪声的同时，还抑制了背景，达到了预期的效果。     

基于图像边缘能量的自动聚焦算法

聚焦过程中,不同离焦点其图像差异体现在高频能量上。利用Sobel算子边缘检测算法,提出了图像边缘能量清晰度评价函数。与方差法和梯度能量法相比,该评价函数具有更好的尖锐性,能够适应高精度聚焦的需要。通过改进爬山算法,充分利用爬山过程中的先验知识,提出了随机起点爬山算法。该算法能够减少爬山步数,可提高自动聚焦速度。     

一种基于边缘能量图的物体检测方法

物体的变形、边缘中断等因素通常对物体检测的结果影响很大。为了减小这些因素的影响,提出一种新的基于边缘能量图的物体检测方法。边缘能量图在一定程度上反映了物体的边缘出现的概率,便于计算并具有较好的鲁棒性。计算出图像的边缘图像,在此基础上分别计算出模型和测试图像的边缘能量图。基于多分辨率的滑动窗口,在图像中找出测试图像边缘能量图与模型边缘能量图最相似的区域。基于边缘能量图快速得到目标物体的轮廓。实验结果显示,该方法使用较快的计算速度得到了相对较高的检测率。     

基于图像边缘信息和Fisher准则的钢板表面缺陷分割研究

针对钢板表面缺陷图像信噪比低、缺陷目标小且形态差别大等特点,提出了一种基于边缘信息和Fisher准则相结合的图像分割方法。该方法首先采用梯度算子检测出缺陷图像的边缘,并对边缘检测所得的梯度图进行灰度拉伸,提高梯度图的对比度;然后利用Fisher准则寻找最佳阈值,分割出缺陷;最后运用数学形态学滤除噪声,实现了缺陷的自动分割和定位。实验证明,该方法不仅能够识别出弱小的缺陷,而且实现了在线实时检测。     

模糊理论改进算法的CT图像弱边缘检测

为改进传统工业CT图像弱边缘检测效果及速度不佳问题,研究了基于分步式模糊推理法与改进解模糊算法的CT图像弱边缘检测方法。选取了相关度、一致性测度、梯度作为模糊化特征,推理过程中相对于整体推理法,采用了Mandani推理法依据简化的推理规则表进行分步模糊推理,在解模糊过程中依据隶属度函数图像提出改进解模糊方法。通过实验验证得出分步推理法对CT图像弱边缘的检测效果更好。在保证解模糊精度的前提下,采用重心法改进的解模糊法,相对传统方法计算速度有了很大提高。     

模糊理论改进算法的CT图像弱边缘检测

为改进传统工业CT图像弱边缘检测效果及速度不佳问题,研究了基于分步式模糊推理法与改进解模糊算法的CT图像弱边缘检测方法。选取了相关度、一致性测度、梯度作为模糊化特征,推理过程中相对于整体推理法,采用了Mandani推理法依据简化的推理规则表进行分步模糊推理,在解模糊过程中依据隶属度函数图像提出改进解模糊方法。通过实验验证得出分步推理法对CT图像弱边缘的检测效果更好。在保证解模糊精度的前提下,采用重心法改进的解模糊法,相对传统方法计算速度有了很大提高。     

基于直方图的感兴趣区图像边缘检测

当图像中的某些区域具有比其它部分更高的重要性时,基于感兴趣区域（ROI）的边缘检测功能就尤为重要。但是当前大部分算法均针对图像整体检测,这在一定程度上会影响对ROI区域的检测效果。针对该问题,提出一种基于ROI的边缘检测算法。新算法首先利用修正后的图像直方图特征选取ROI区域的分割阈值,然后根据分割阈值从背景中分离出ROI区域,最后选择最优边缘检测算子,完成基于ROI的边缘检测。实验结果表明：新算法能够更好的支持对ROI区域的边缘抽取。     

基于自适应尺度的TLD目标跟踪算法

为提升TLD目标跟踪算法的每帧处理速度,以达到在更高分辨率视频中跟踪目标的实时性要求,在TLD算法框架的基础上,提出了一种基于自适应尺度检测学习的目标跟踪算法(AS-TLD)。当跟踪目标成功时,选取当前帧跟踪到的目标尺度及几个相邻的尺度作为下帧检测目标时滑动窗口尺度的选取范围;而当跟踪失败时,则选取在TLD算法初始化阶段,根据跟踪目标及视频图像大小选定的尺度来保障长时间跟踪目标,从而有效减少了平均每帧扫描的窗口数量。实验结果表明,该方法不仅有效地降低了检测模块的检测时间,显著提高了整体算法速度,而且通过动态选取尺度,在一定程度使得TLD各个模块更加协调,跟踪精确度得到提升。