李雪[1]2007年在《灰度图像边缘检测算法的性能评价》文中研究说明边缘检测是图像处理与分析中最基础的内容之一，也是至今仍没有得到圆满解决的一类问题。图像的边缘包含了图像的位置、轮廓等特征，是图像的基本特征之一，广泛地应用于特征描述、图像分割、图像增强、图像复原、模式识别、图像压缩等图像分析和处理中。因此，图像边缘和轮廓特征的检测与提取方法，一直是图像处理与分析技术中的研究热点，新理论、新方法不断涌现。本文研究了一些边缘检测算法，包括传统的Roberts、Sobel、Prewitt、LoG、Canny、Kirsch等算法，同时还包括现在得到较多关注的模糊增强算法、灰度形态学算法、基于概率的方法、曲面拟合方法等方法。文章中关于这些方法都有较详细的介绍，以及算法的实现步骤。对算法均进行了仿真实验。论文的主要目的是进行图像边缘检测算法性能比较的研究。利用已有的一些定量及定性的方法来比较各种算法的性能。在已有的比较方法中，本文研究了Canny准则、Pratt品质因数、以及边缘品质度量公式(EQS)，使用它们对边缘的特性进行了衡量，这些特性分别为：连续性、光滑性、边缘宽度、定位、定位精度、噪声影响、以及时间复杂度。然后针对定位与定位精度这两种最重要的特征，在Pratt品质因数基础上提出了自己的比较方法。然后将图像分类，对各类图像分别处理，定性的比较算法对各种类型图像的适用性。实验结果表明，本文的算法比较可以为图像处理的后续环节提供一些有益的参考。为图像分割，边缘检测算法的选取提供了参考。
曾俊, 李德华[2]2011年在《彩色图像SUSAN边缘检测方法》文中研究表明传统的彩色图像边缘检测方法主要是基于灰度图像的,先将彩色图像转化为灰度图像,然后用灰度图像边缘检测方法检测边缘。这些方法利用彩色图像的亮度信息进行边缘检测,没有考虑其色度信息。因此部分边缘不能被检测出来。提出了一种基于CIELAB空间的SUSAN彩色图像边缘检测方法。该方法首先将彩色图像从RGB空间转换到CIELAB空间,然后用基于色差的SUSAN算子检测边缘。实验结果表明:此方法能有效地检测出彩色图像的边缘。在保留图像边缘方面,性能优于基于灰度图像的边缘检测方法。
刘彩霞[3]2007年在《虚拟手术系统中彩色图像的边缘检测算法研究》文中研究说明图像边缘检测是许多图像处理过程中的重要步骤之一。在虚拟手术系统中，对人体切片的边缘检测是关键的一个步骤，是下一步进行叁维建模的基础。但是图像中边缘与噪声都分布在高频区域，而且物体的几何边缘、表面纹理等均表现为边缘，不同的图像处理任务需要提取不同的边缘信息，这些因素使边缘检测变的非常困难。本文在深入分析现有边缘检测方法的基础上，重点研究了彩色图像边缘检测算法。对GVF(梯度矢量流)Snake动态轮廓模型存在的几个不足之处进行了改进，并结合小波分析与GVF Snake模型两种方法的优点，提出了一种新的彩色图像边缘检测方法。论文主要内容包括：1．介绍了边缘检测技术的发展，重点介绍了彩色图像边缘检测算法。对几种主要算法进行了实验仿真，并对结果进行了分析比较。2．深入研究分析了GVF Snake动态轮廓模型的理论、方法。指出了GVF Snake动态轮廓模型的不足之处。通过实验与计算，得出了GVF力场的迭代时间与迭代的次数近似成正比，轮廓逼近时间与逼近次数也近似成正比的结论。同时引入了“有效逼近域”的概念，提出了初始轮廓线精确定位原则。3．在充分分析GVF Snake模型及其不足之处的基础上，根据初始轮廓线精确定位原则，提出了基于小波变换的边缘检测算法，成功的解决了初始轮廓线的设置问题。减少了GVF力场迭代次数和逼近次数，有效的降低了时间复杂度。4．结合小波变换方法和GVF Snake动态轮廓模型方法，提出了一种新的彩色图像的边缘提取方法。新算法综合了GVF Snake模型和小波边缘检测算法的优点，可以成功提取出医学彩色图像的目标轮廓。
赵雨田[4]2017年在《基于数字图像处理的输电线路异物识别技术研究》文中进行了进一步梳理无人机和巡检机器人的应用大大提高了电力线巡检效率,但其摄取的大量图像数据仍需低效的人工核验。解决这种效率不匹配的方式之一是使用计算机图像处理技术自动识别输电线路上的异物。为此研究和设计了基于数字图像处理的输电线路异物识别算法,该算法由图像增强、图像分割和图像分析叁个步骤构成。图像增强步骤的输入为采集的一类含输电线路的图像,比较了随机数学模型和模糊数学模型中各种增强算法的应用效果,分析得出模糊数学模型对于此类图像的增强效果较好,并据此设计了一种基于模糊数学模型的图像增强算法。图像分割步骤的输入为图像增强过程的输出图像,选用基于边缘检测的分割方法。总结了使用较广的多种空域边缘检测算法在含有电力线的增强图像中的应用效果,结果表明这类算法的适用性不佳。随后研究了希尔伯特变换在二维信号中的应用方法,进而设计了一种基于相位一致性的频域边缘检测算法,通过对比说明了该方法具有更好的适用性。随后研究了相位一致性指标的处理方法,可将电力线和异物的边缘从背景中较好地分离,同时获得对应的二值图像。图像分析过程的输入为图像分割步骤输出的二值图像。利用区域特征约束进一步处理二值图像,借鉴认知物理学理论,分析了图像内部特征规律,设计了二值图像数据场的描述方法,并据此给出了输电线路异物识别和定位算法。最后通过样本实验数据分析了算法整体的运算时间和准确率性能。
魏学志[5]2010年在《彩色图像边缘检测方法的研究》文中进行了进一步梳理在彩色图像边缘检测的众多方法中,采用主成份分析(PCA)方法提取目标图像主成分信息,辅以灰度边缘检测方法进行处理,能够有效地检测彩色图像边缘。但是这种方法仍然会丢失图像信息,从而破坏图像边缘的完整性。文章针对这一问题进行了研究,对PCA彩色图像转换方法和边缘检测的处理手段做了改进和扩展,设计了能够提高图像边缘检测结果完整性的彩色图像边缘检测方法。通过对彩色图像边缘检测方法的分析,发现想要保持图像信息的完整性,就要使得在图像处理中,每个步骤尽可能少丢失图像信息。而彩色图像边缘检测大体可分为两个阶段：彩色图像的转换和边缘检测处理。首先是对于传统的PCA彩色图像转换方法的改进。在以往使用PCA对彩色图像进行转换处理时,通常只使用第一主成分来近似彩色图像,容易丢失图像信息。即使是更进一步的使用累计贡献率的方法仍然存在这一问题。文章中对PCA的处理结果进行了分析,发现每个主成分分量中都包含了一定的边缘信息,分别对其进行处理和综合,能够最大程度的保持图像信息的完整性。其次是对于边缘检测方法的研究。在这一部分主要对基于小波分析的边缘检测方法和灰度形态学方法进行了改进,提高了这两种方法检测图像中较弱边缘的能力,在阈值划分边缘的阶段能够保持更多的边缘信息。并且结合形态学原理和图像的梯度特性形成了一种边缘细化的方法。最后对文章中的方法进行了综合分析,讨论了PCA方法的适用范围,小波分析方法和灰度形态学方法的优缺点。对于彩色图像的综合处理进行了仿真研究,对于如何将改进的PCA图像转换方法和改进的边缘检测方法联合使用做了说明。此外,还有一些方案没有进行分析且文中方法尚存在一些不足,这些都有待进一步的实践研究和改进。
何娟芝[6]2012年在《基于YUV颜色空间的边缘检测算法研究》文中进行了进一步梳理边缘检测，即边缘识别和定位，是3D模型构造、形状识别、图像压缩、图像增强、图像存储和图像分割等各种应用当中的底层和关键处理技术之一。它要求能检测出精确的边缘且同时具有较高的计算效率，是图像处理技术的挑战和难点之一。彩色图像比灰度图像含有更多的颜色信息，有着广泛的应用，基于灰度图像的边缘检测算法很难满足彩色图像的边缘检测需求，大量算法都直接基于彩色图像进行边缘检测。本文讨论基于彩色图像的边缘检测算法，主要研究内容包括：1.研究基于YUV颜色空间的边缘检测算法。研究发现，YUV颜色空间比常用的RGB颜色空间更符合人类结合色调和亮度的视觉特性。本文讨论了基于YUV颜色空间的边缘检测算法，充分利用了YUV颜色空间的Y，U，V叁个颜色分量具有相互独立的重要特性，并结合基于直方图技术的自适应权值系数的设置方法，达到增强YUV颜色空间的叁个分量的差异的效果。仿真试验结果表明，本文改进的边缘检测方法具有阈值设置简单且自适应、边缘检测精度相对较高等特性。2.研究基于边缘生长的边缘检测算法。边缘检测算法中，合适阈值的选取是关键，也是难点之一。若阈值选择过大，会导致边缘丢失和边缘不连续的现象；反之，若阈值选择过小，则会导致被检测的边缘存在伪边缘的情况出现。本文研究了基于边缘生长的边缘检测算法，结合了曲线拟合等技术来预测下一边缘点，提高了跟踪效率和精确度；同时，使用边缘处梯度信息的几何连续性，提出了判定伪边缘及修复缺损边缘的新方法。新方法实现简单，仿真试验也表明了新方法具有良好的边缘检测效果。
丁小云[7]2016年在《Spiking神经网络研究及其在图像检索中的应用》文中研究说明作为目前具有最高仿生性的人工神经网络,Spiking神经网络是模拟生物大脑功能而提出的一种新型人工神经网络模型,也被称为第叁代神经网络。该模型采用Spike时间编码的方式来表示和传递信息。比起感知机等传统神经网络,Spiking神经网络更符合生物神经元的信息处理方式。研究表明,与传统神经网络相比,Spiking神经网络无论是在信息表达能力还是计算能力上都有了巨大的提升。因而Spiking神经网络引起了国内外研究者的广泛关注和高度重视。目前,Spiking神经网络不论是在生物、人工智能等学科中有较多的研究成果,而在工程应用领域却尚处于起步阶段。由于在当前的互联网时代,越来越多的网络信息采用图像或者图像相关的方式进行传递,自二十世纪60年代开始,自动识别领域对图像识别与检索的要求变得越来越迫切,因此将Spiking神经网络应用到图像处理相关的应用中,既可以扩展Spiking神经网络的应用范围,又可以促进图像处理的快速发展,具有较高的理论研究意义和实际应用价值。为了将Spiking神经网络成功的应用到图像检索系统中,本文的工作主要有以下叁部分:(1)提出了一种基于Spiking神经网络的图像边缘检测方法,此方法基于脉冲卷积操作,将Spiking神经网络在时间表达上的优势与卷积神经网络在空间局部连接上的优势相结合,达到了较好的图像边缘检测效果。(2)提出了一种基于Spiking神经网络的图像角点检测方法,该算法使用Spiking神经元模板对图像进行扫描,并根据检测神经元的电压变化等情况来确定图像角点。对于图像边缘图像和灰度图像,该方法进行了不同程度的改变。(3)设计了一个基于Spiking神经网络的图像检索系统,该系统结合了图像低层视觉特征和图像语义特征,比传统单一检索方法更为全面。其中,图像的低层特征表示是通过基于Spiking的图像角点特征表示以及基于Spiking的图像卷积特征表示来实现的。图像的语义特征通过监督的Spiking学习算法对图像标签信息进行监督学习,通过训练以达到对检索图像较好的类别估测。为了验证Spiking神经网络在图像处理上的有效性,本文通过计算机仿真实验,对提出和设计的方法进行了验证,并达到了预期的效果。实验结果证明了Spiking神经网络在图像检索上的可用性,因此,本文提出的方法既对Spiking神经网络应用进行了扩展,也为图像检索提供了新的方法。
郭丽娜[8]2014年在《基于主轴的彩色图像亚像素边缘检测》文中认为本论文来自陕西省科技厅自然科学基础研究计划资助项目：彩色图像中亚像素边缘检测算法研究(2013JM8043)。二十世纪以来,随着精密复杂器件的微尺寸测量技术、激光技术、计算机技术的迅猛发展,逐步形成了一种新的测量技术——图像测量技术。在图像测量领域,应用最为普遍的即为图像边缘检测,它是数字图像处理和模式识别的关键技术之一,直接影响着特征提取以及模式匹配的效果,因此,如何有效地解决边缘检测过程中速度与检测效果之间的矛盾一直是国内外研究的热点问题。到目前为止,已研究出多种边缘定位算法,但由于算法本身存在的缺陷以及算法的复杂性,导致现有边缘检测算法具有很大的局限性。本文首先介绍了一些常用的边缘检测算法,详细论述这些算法的基本原理,并通过实验,归纳总结各种算法的优缺点,在此基础上引入主轴分析法,介绍了主轴分析法的基本原理及适用问题,并将主轴分析法应用到彩色图像亚像素边缘检测过程当中,从而提出了基于主轴的彩色图像亚像素边缘检测算法。该算法综合运用主轴分析法、自适应阈值法以及较为成熟的灰度图像亚像素边缘检测算法,在去除彩色图像各颜色分量之间相关性的同时,有效地解决了传统算法中阈值难以自动选取以及定位精度较低等问题,具有良好的普遍性和适应性。同时,本算法在对彩色图像进行像素级边缘定位时,将彩色图像按照一定的重迭比例分割成若干个子图像,对每个子图像采用动态阈值,从而很好地保留了图像边缘的细节信息,在一定程度上抑制了噪声对定位结果的影响,为彩色图像亚像素边缘精确定位打下良好的基础。本算法在传统算法的基础上,对传统算法的不足进行改进。实验结果表明,本算法是一种有效的彩色图像亚像素边缘检测算法,在消除噪声的同时,能够保留图像的边缘信息的完整性,从而为实际的图像测量提供了一种行之有效的手段。
廖圣龙[9]2016年在《航拍输电线图像中部件检测关键技术研究》文中提出输电线巡检是为了排查输电线路中可能出现的故障和安全隐患,及时的发现问题可以避免重大的电力事故。随着科技的高速发展,可以利用一些高科技解决传统人工巡检输电线效率低下,并且准确率也不高的问题。使用直升机或者无人机巡检输电线,可以快速准确的采集到输电线路的视频和图像数据。然后以适合的计算机视觉技术处理这些海量的航拍输电线巡检图像,可以极大的提高工作效率。按照不同目标可以将输电线巡检图像分为输电线图像和绝缘子图像。处理输电线图像是为了检测图像中输电线及其相关配件是否存在故障;处理绝缘子图像是为了检测出图像中绝缘子的位置并判断是否有缺陷。航拍输电线巡检图像中背景环境十分复杂,而复杂的背景会极大的干扰对图像中目标的检测,因此传统的目标检测算法在处理这类图像时都很难获得令人满意的结果。本课题针对这些问题,在研究分析了大量输电线图像后,结合一些相关的文献资料,从不同目标和不同角度出发,创新性地提出了如下几种算法。1.输电线及其相关配件的故障诊断可以分成输电线检测、相关配件检测和各种故障诊断。而大部分算法都是针对这些情况中的某个部分进行算法设计,没有一个可以同时完成所有任务的算法。本文提出了一个融合了各类检测方法和故障诊断方法的集成算法。输电线检测方法主要是利用视频图像的连续性以及输电线的直线特性和方向特性,通过多帧采样和基于一种投票策略的霍夫直线检测法确定输电线的初始方向,进而实现快速准确的输电线检测。相关配件检测和各种故障诊断则是依次对输电线出现异变的区域进行检测和诊断,主要有利用线段空间关系诊断断股故障、基于类哈尔特征的防震锤识别等。实验结果表明,本算法具有快速准确的检测和故障诊断的能力,并且是同时适用于多种目标检测以及多种故障诊断。2.局部特征广泛的应用于目标检测中,同样在绝缘子检测中使用局部特征也是可行的。首先提出一个基于局部特征的绝缘子分割改进算法。虽然基于主动轮廓模型(ACM)的绝缘子分割算法具有不错的绝缘子分割能力,但是在处理较大分辨率和背景复杂绝缘子图像时无法保证算法的性能,本文先利用局部特征匹配实现绝缘子区域的粗分割,再使用基于主动轮廓模型的绝缘子分割算法处理粗分割出来的绝缘子图像,既提高了原算法的处理速度,又具备了处理大分辨率和背景复杂绝缘子图像的能力。然后,以绝缘子局部特征点为基础,提出了一种基于局部特征和空间关系特征的绝缘子检测算法。空间关系特征是从绝缘子局部特征点中提取的一种反映绝缘子内部结构信息的特征,以此可以更加高效的从复杂背景中检测出绝缘子。最后的实验结果证明,对于不同种类绝缘子或者在不同背景的环境条件下,本文算法相对于其他绝缘子检测算法更具有抗干扰能力,检测精度更高,并且有不错的鲁棒性。3.绝缘子检测算法大多数是基于灰度图像的,然而在对大量绝缘子图像进行研究分析后,发现可以从绝缘子的颜色信息中提取更多的特征。因此,本文提出了一种基于颜色聚类和纹理特征的绝缘子检测算法。首先利用各类颜色空间中的颜色分量信息和同一颜色空间下的颜色分量的相关性信息进行K均值聚类,并根据聚类结果将图像分割为若干部分;然后使用基于颜色共生矩阵(CCMs)的绝缘子纹理特征训练出来的SVM分类器依次去除分割图像中的非绝缘子区域;最后基于BOW模型的精确匹配实现绝缘子的检测。实验结果证明,本算法处理复杂背景下的绝缘子图像具有不错的效果,尤其是检测颜色信息较为丰富的绝缘子类型。4.绝缘子的缺陷检测可以分为绝缘子的检测和绝缘子缺陷的检测两个阶段。基于本文提出的绝缘子检测算法可以分割出绝缘子区域图像,根据绝缘子的内部结构特性,首先对绝缘子特征点进行直线拟合得到绝缘子倾斜角度,并倾斜校正;然后二值化倾斜矫正后的绝缘子图像,再进行水平投影和垂直投影,可以依据水平投影结果将整串绝缘子分割成若干个绝缘子图像,对这些分割的图像再次垂直投影即可根据投影结果判断绝缘子是否有缺陷以及出现缺陷的位置。实验结果表明,本算法对不同数量的绝缘子串都有优异的缺陷检测能力,包括在部分遮挡等一些特殊情况下,同样有良好的性能。
王康泰[10]2007年在《灰度图像边缘检测方法研究》文中指出边缘检测是图像处理中的重要内容，是图像的最基本特征。图像的边缘作为图像的一种基本特征，被经常应用到较高层次的特征描述、图像识别、图像分割、图像增强以及图像压缩等等的图像处理和分析技术中。同时，边缘检测也作为模式识别、计算机视觉、制导等领域的重要特征越来越受到广大研究人员的重视，有着广泛的用途。本文首先说明边缘检测的概念和算法并分析边缘检测技术的发展现状，在此基础之上提出了几种新的边缘检测方法，本文的主要研究内容体现在以下几个方面：结合图像分割和图像检索，总结了传统的边缘检测算法，同时，对传统方法的运行速度和抗噪性能等关键问题做出了剖析。并分析了它们各自的优缺点。提出了一种基于灰色关联度的图像边缘检测方法，利用图像中某一点及其八领域像素的分布规律和边缘像素的分布规律的相似程度来判断其是否为边缘点。通过仿真表明，该方法在检测效果、抗噪声以及边缘定位方面都有较大的优势。结合信息论中熵的概念提出了一种基于局部熵的边缘检测方法。局部熵值大，信息量少，灰度变化就小；局部熵值小，信息量多，灰度变化就大。实验表明该方法具有较好的抗speckle和椒盐噪声性能。本文还提出了一种结合边缘像素的幅度结构特性和方向特性的基于模糊熵的边缘检测方法，根据邻域内的灰度分布是有序的、具有方向性以及灰度实质具有结构性叁种图像边缘的基本特征，通过引入模糊熵，构造出了一组基于模糊熵的信息测度分量来定量描述图像的这些边缘特征。实验表明，该方法对弱边界检测较为敏感，在特征的选取上充分地考虑了边缘和噪声的本质区别，具有优异的抗噪性能。
参考文献：
[1]. 灰度图像边缘检测算法的性能评价[D]. 李雪. 沈阳工业大学. 2007
[2]. 彩色图像SUSAN边缘检测方法[J]. 曾俊, 李德华. 计算机工程与应用. 2011
[3]. 虚拟手术系统中彩色图像的边缘检测算法研究[D]. 刘彩霞. 青岛大学. 2007
[4]. 基于数字图像处理的输电线路异物识别技术研究[D]. 赵雨田. 南京理工大学. 2017
[5]. 彩色图像边缘检测方法的研究[D]. 魏学志. 哈尔滨工程大学. 2010
[6]. 基于YUV颜色空间的边缘检测算法研究[D]. 何娟芝. 杭州电子科技大学. 2012
[7]. Spiking神经网络研究及其在图像检索中的应用[D]. 丁小云. 电子科技大学. 2016
[8]. 基于主轴的彩色图像亚像素边缘检测[D]. 郭丽娜. 西安工业大学. 2014
[9]. 航拍输电线图像中部件检测关键技术研究[D]. 廖圣龙. 大连海事大学. 2016
[10]. 灰度图像边缘检测方法研究[D]. 王康泰. 浙江工商大学. 2007
标签：计算机软件及计算机应用论文; 边缘检测论文; 绝缘子论文; 灰度图像论文; 图像分割论文; 神经网络模型论文; 边缘提取论文; 图像融合论文; 灰度直方图论文; 图像处理论文;