文摘
近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为一个研究热点,例如,织物图像、遥感图像和齿轮图像。遥感图像的复杂背景和低照度与标准图像和容易混入噪声在收购;一些织物图像丰富的纹理信息,增加了相关处理的困难,也容易与噪声混合在收购。在本文中,我们提出一个分数阶自适应 - - - - - -拉普拉斯方程的图像边缘检测算法对图像边缘检测问题中,图像的边缘和纹理信息。算法可以申请订单自适应过滤噪声图像的噪声分布,和自适应扩散系数是由分数阶曲率和分数阶梯度iso-illumination线,结合迭代方法实现的微调嘈杂的图像。实验结果表明,该算法可以去除噪声,同时保留图像的纹理和细节。分数阶偏微分方程图像边缘检测模型,提出了一种分数阶富达术语高斯噪声。保真项的模型结合了分数阶保真项,因为这能消除图像的粗糙部分,同时保留原始图像的纹理更详细地和消除一步效应产生的其他模型如Perona-Malik (PM)和Rudin-Osher-Fatemi(学院)模型。与其他算法进行比较,图像边缘检测效果的帮助下测量评价指标如峰值信噪比和结构相似性,和选择最优值迭代图像边缘检测的结果是最好的保留。卷积掩模图像边缘检测模型提出了基于自适应分数阶微积分的分散在医学图像噪声。适应主要是反映在模型算法通过构造一个指数参数关系密切相关的图像,可以动态地调整参数值,从而使该模型算法更为实用。该模型实现了四个步骤的散射噪声去除。
1。介绍
如今,获取信息变得越来越重要,和信息存在于多种形式,不是简单地以声音的形式传播,但在不同的形式,包括信息技术数据、文本、图像和视频。如今,大量的信息从图像中提取,但在传输或拍摄图像的过程中,我们经常使用设备或传输媒体的局限性,使获得的图像或多或少地与不同形状和颜色的混合噪声,由于噪声的存在导致整个图像的视觉效果非常差,这将严重影响人们的信息获取的图像。出于这个原因,我们认为噪声去除是图像处理的一个重要任务,因为如果噪声可以最小化,这将有助于获得更多的本地信息图像,这也是解决相关问题,如图像分割的准确性,目标识别的准确性和完整性的边缘提取。因此,为了获得更好的图像质量,有必要对图像进行边缘检测操作。正是由于这种需求,研究人员花费努力探索更好的图像边缘检测算法获取尽可能多的信息的后续处理和分析图像。数字图像往往被噪声从各种来源在收购和捕获,这不仅恶化数字图像的视觉效果,但也会增加后续图像处理的难度。因此,边缘检测是数字图像处理的一个重要组成部分。国内外学者进行了大量的研究在图像边缘检测,提出边缘检测算法如中值滤波、维纳滤波、均值滤波、低通滤波。然而,这些算法也使图像的边缘和纹理信息丢失而边缘检测和图像变得模糊。因此,如何能够去除噪声,同时保留图像的边缘和纹理信息是图像边缘检测的难度。
傅里叶变换,数学思想广泛应用于偏微分方程的边缘检测算法,是一个核心理论,折射出信号的频域组件信息在整个连续时间范围的帮助下时域和频域之间的相互关系,最重要的是,当然,其光谱信息。尽管傅里叶变换在频域局部能力强,还需要进一步加强。进一步优化后续研究中,研究人员发现,可以应用于图像分数阶域,进而催生了一个新兴领域,即分数阶自适应计算,可以进一步优化基于integer-order微分方程。也感兴趣的研究分数阶微积分适应处理在图像域。散射噪声,噪声主要存在于医学图像,图像是主要表现为黑色和白色混乱点的分布;噪音会影响图像的清晰度;图像是非常具有破坏性,所以它将不会有利于医生的图像中获取信息;虽然传统方法可以实现边缘检测效果的一部分,整体性能仍然很穷,高斯滤波器和小波变换等,随着分数阶定义的发展;边缘检测模型基于掩模模板可以消除这种噪声,因此进一步的研究这个模型也非常有意义。
2。相关的研究
当前的图像边缘检测算法的研究一直是图像处理的重点方向;算法的本质是去除图像中的噪声点,通过设计相关模型算法重建图像。在接下来的几十年里,研究人员尝试了图像边缘检测算法,诞生了许多经典的边缘检测算法,如高斯滤波和维纳滤波,和随后的发展,如小波变换和低通滤波。空间域滤波是指那些直接对图像滤波操作,不可否认,不仅可以消除噪声的图像,还严重损害图像的边缘细节信息,导致图像的局部变形,过滤等。
文献[1)提高了PM模型用另一种方式使用高斯内核调整梯度,导致一个更加稳定和改善点模型。这个模型不仅识别图像的边缘区域很好但也处理的事实,通过梯度将减少对噪声的敏感性,使得图像一般放缓一步的效果。文献[2)模型提出了一个下午也提高了tensor-type扩散模型,他们主要使用扩散张量来替代扩散系数函数在点模型中,虽然这与流式结构改进的模型主要解决图像像指纹,可以增强这类图像。在文献[3,4),发现图像的边缘和斜坡地区可以通过微分曲率,确定和构建两个自适应扩散系数区分整个图像。在文献[5),结合非线性各向异性扩散模型设计;这个模型主要是通过选择不同的扩散方法面对不同地区的形象,均匀扩散平滑区域,边缘地区和平均曲率扩散,实验证明了该模型的有效性。文献[6)结合分数阶的概念,提高各向异性扩散的模型,这也导致了分数阶的研究应用领域的图像边缘检测。文献[7)提出了一种改进的图像边缘检测模型由不同的扩散系数和各向异性扩散函数。文献[8]给出了图像扩散模型,它反映了图像纹理的复杂度与图像的局部方差的帮助下,以及在模型中引入了分数阶。在文献[9),一个自适应分数阶图像边缘检测模型提出了改进点模型,介绍了分数阶和忠诚方面,两者都将极大地改善这种情况的“一步效应”也点模型和减少算法的运行时间模型和去除图像中的噪声,同时保留。它还降低了算法的运行时间模型和去除图像的噪声,同时保留大部分的纹理图像中。
此外,学者们已经提出了很多改进的边缘检测算法对PDE模型基于点模型的框架和高射速模型近年来。文献[10)是第一个提出一个模糊图像增强的算法,这是第一个算法将模糊集应用于图像增强领域,许多研究人员加入这项研究因为新奇的算法。文献[11)提出了一种边缘增强算法在模糊理论的帮助下获得图像特征值,和方法有利于增强图像细节信息。文献[12)提出了一种模糊对比度增强算法对图像增强,适应当地的对比。文献[13]提出了一种算法,首先选择权重模糊规则的帮助下最小化均方误差图像的输出,和实验表明,该rule-controlled中值滤波增强算法是有效的。文献[14]设计三种不同的过滤器的帮助下制定模糊规则和增强图像中的三个目标区域的帮助下这三个过滤器。整个图像增强效果是很重要的,因为适当的过滤器是用于处理相应的图像区域。在文献[15),建立了基于火算子的模糊规则来增强图像的不同区域。在[16),建立了模糊规则划分图像区域,然后,模糊规则是结合小波变换重构图像。在文献[17),设计了一种图像增强算法,确定模糊规则的限制大小,结合模糊逻辑法和直方图处理的乳房x光成像。
3所示。艺术基于分数阶自适应图像边缘检测模型 - - - - - -拉普拉斯方程
3.1。分数阶自适应 - - - - - -拉普拉斯方程
介绍了分形理论的概念时,分数阶微积分理论出现在视觉的研究,通过不断研究和开发,分数阶微积分理论对图像增强是被证明是可行的。目前,有两个被广泛接受的定义,一个是Grumwald-Letnikov定义,另一个是Riemann-Liouville定义,和使用最广泛的定义在频域两种转换,即傅里叶变换 - - - - - -拉普拉斯变换。
G-L定义最初的起源来自于整数阶,然后慢慢蔓延到分数阶域,如下。
首先,理解一阶导数,在数学上定义如下所示。
然后,过渡到如下所示的二阶导数。
最后,扩展到th integer-order导数的定义,
rl的定义的中心思想是总结一个积分函数后几次然后扩展这个定律对所有实数,即rl的定义我们提到的想法。对于生产函数 ,整合功能次给
然后,概括所有实数,的定义 - - - - - -阶微积分rl可以表示为
3.2。分数阶 - - - - - -拉普拉斯方程的信号
当谈到分数阶微分操作,在这里,我们主要讨论微分操作下傅里叶变换。基于傅里叶变换的财产可以更好地处理离散数据信息,时域信号可以转换成频域信号图像处理然后离散处理,这样我们就能更好的处理图像信息。偏微分equation-based模型的实现代码提交后,继而令获得的过程也是时间和频率域。生产实函数 ,它的傅里叶变换的定义是
相应的反演是
众所周知,一般的真实 分化的 可以表示为
的形式在傅里叶变换域可以从上面的方程。
在图1,我们看到,将整幅图像分成两部分 ,曲线主要反映了图像的平滑区域,根据曲线的变换形式,我们可以看到,在光滑的地区,这个地区的分数阶的削弱能力比整数阶弱,所以它有更好的能力来保持平滑图像的细节;该地区的 ,主要反映了图像的纹理和边缘地区,属于高频信息的位置,从图中,我们可以看到,随着分数阶的增加,它有一个更强的能力来提高整体形象,两者都明显优于整数阶。一般来说,分数阶明显优于整数阶为每个地区的形象,所以实际使用分数阶领域的图像增强。
在频域中,分数阶积分操作是一个操作时,分数阶微分的订单需要一个负值,因为积分操作和微分操作的逆操作,所以通过微分运算表达式,我们可以反转的频域表达分数阶积分,也就是说,当 ,数学表达式如下。 在哪里的积分算子点菜了吗 。同样,根据方程(10),我们可以画出相应的频域关系曲线,当我们主要展示曲线负值,即, (如图2)。
同样,它分为两个部分进行分析,当 ,它显示了低频区域,显示的效果由分数阶积分算子在这个地区比整数阶,可以保护图像的低频信息;当 ,它对应于高频信息,和曲线的趋势图表明分数阶积分算子的有效性;虽然无论整数阶分数阶,它可以保护图像的高频信息;分数阶算子的优越性显示增加的分数阶算子。因此,分数阶积分算子可以保护图像的创意和准确性总的来说,这是利用分数阶积分算子与integer-order微分算子。
3.3。艺术基于分数阶的图像边缘检测方法 - - - - - -拉普拉斯方程
在图像采集的过程中,由于环境因素的影响,噪声因素,光,和其他因素,获得的图像的质量变化在一定程度上,会有副作用,如图像模糊和灰度补偿。在本文中,我们主要是把各种类型的复合绝缘子的绝缘子图像为例进行处理。首先,我们需要将数字图像预处理简单地利用数字图像处理技术,然后确定疏水年级,和这一主题采用基于分数阶的图像处理技术 - - - - - -拉普拉斯方程来处理复合绝缘子图像和分析得到处理后的图像处理图像通过使用最大的面积比方法和改进的形状系数方法获得复合绝缘子。使用面积比最大的处理图像分析方法和改进的形状系数方法获取艺术图像边缘检测方法,以及图像分析流程图如图3。
以来收集的复合绝缘子图像是彩色图像,它应该首先转换成灰度图像在处理过程中,和灰度图像变化从0到255,0表示最黑暗的黑人形象,255表示最亮白色的形象。改善后续算法的运行速度和疏水图像识别的准确性,有必要对灰度图像在这个过程中,和灰度图像的直方图均衡化的过程的过程主要是将原始图像转换成均匀分布。扩大图像的灰度范围,更均匀地分布,不太偏离正常范围,使图像看起来更清晰。直方图均衡化的想法是把原始图像的灰度直方图从比较集中的灰色区间成均匀分布在整个灰度范围,利用累积分布函数变换函数。
因为有大量的随机噪声检测图像,去除这些噪音的影响,我们设计一个中值滤波去除这些噪音的影响。中值滤波是一种非线性处理技术基于统计分类的传统观念,可以提供准确的抑制噪声(18]。和噪音过滤,而图像细节信息(如边角磨)是更好的保护,从而消除孤立的噪声点,和二维中值滤波输出
获得更好的抗干扰度,我们需要优化和改进传统检测方法的基本操作步骤:首先,进行图像预处理;然后,进行边缘检测;最后,加强结果,等待处理来获得期望的结果,但图像预处理常常模糊了图像,从而导致损失的细节(19]。可以选择结构元素根据图像的基本特征和不同的情况下选择和调整,以方便他们的应用程序。以下操作可以通过改善他们基于构造的基本操作。
然而,如果我们想要有效地抑制亮和暗噪声的图像,我们需要合成,考虑到图像的平滑理论,下列操作符。
艺术图像边缘检测处理的噪音,流程如图4可以指。与经典信号奇异点检测算法相比,基于分数阶自适应检测算法 - - - - - -拉普拉斯方程可以直接获得最初没有内积计算小波系数,然后分解成对的小波系数的插值滤波器实现奇异点的检测。该算法可以提高基于边缘点的精度系数减少古典新信号奇异点的计算系数,然后获得更准确的检测结果(20.]。
总之,这个话题的边缘检测算法的分数阶积分 - - - - - -拉普拉斯方程,直接从图像像素矩阵分解得到请求的边缘图像。与经典的检测算法相比,本文算法可以快速得到初始图像边缘系数,和图像边缘的塔式分解系数避免经典检测算法的集成过程,可有效避免集成和得到更准确的噪声图像边缘系数。
4所示。实验结果和分析
首先,边缘提取是进行相同的模型使用不同的算法,检测结果如图5。从图5,我们可以看到,维纳AFFT点,小波,NL-Means, GAFIA,《信息自由法》,和本文算法有一定的噪声图像边缘检测能力与噪声强度1和0.5,分别,但传统的《信息自由法》与分数阶模型 可怜的边缘检测。本文中的模型可以更好地保护结构在一定程度上,可以看到在图5;这个模型的剩余地图保留更好的图像细节,可以看出,大部分保留了图像的细节信息,性能指标也客观地反映了该模型的有效性,在一定的噪声强度范围内,这个模型的指数。这个模型的数值明显比其他几个比较模型,这也证实了该模型的有效性。
当然,这并不是全面的评估每个算法的边缘检测效果的优点模型仅靠视觉图像。因此,为了更好地评估每个模型的边缘检测能力,我们评估PSNR和SSIM每个模型的客观性能指标。图6显示了每个模型的PSNR和SSIM不同超声图像在不同噪声强度。图中的数据6表明,该索引值的每个模型随着噪声强度的增加下降得快,但这个模型的性能指标下降缓慢,这也反映出该模型具有更好的边缘检测效果与高噪声强度超声图像。然而,随着噪声强度的增加,其指数下降得更快,也反映在图像,即。,the overall brightness of the images is darker and blurred, and the performance indexes of the model are better for both the kidney ultrasound images and the other two ultrasound images, which also objectively reflects the effectiveness of the model. To demonstrate the effectiveness of the model more visually, the line graphs of the performance indexes in Figure6用于显示的性能模型与其他模型相比在不同噪声强度。SSIM指标的模型比其他模型无论噪声强度,并考虑这两个性能指标,这个模型有更好的结果。
在图7,边缘检测的图像之间的灰度值比较,噪声图像和原始图像主要反映在图上7,蓝色代表了原始图像的灰度值曲线的一部分,浅红色代表的部分边缘检测图像的灰度值,和黑红色曲线代表噪声图像的灰度值的一部分。从图中,我们可以看到,图像的灰度值下的噪声强度大幅改变,和灰度值更大或更小,而边缘检测后的图像与原始图像在某种程度上,和嘈杂的图像中的噪声。
最后完整的边缘可以从详细的在三个方向边缘图像,获得和每一层的边缘检测结果如图所示8。可以看出细节边缘检测到第一层分解失去更多,还有许多不连续的边缘。更清晰、更完整的边缘线第二层分解后可以得到,但是一些细节比如鼻子和背景墙没有检测到的轮廓。和这些细节可以提取准确的第三层分解。第三层的边缘图像有更好的检测效果丰富的细节的头发,帽子,和特性有更详细的描述。在第四层较厚,边缘线和边缘轮廓的描述更加明显。类似于简单图像的检测结果,降低塔内插小波分解的分解级别对于复杂的肖像,获得的边缘线越细,和较弱的详细的检测能力。随着分解级别的增加,图像的边缘线也厚,但更精确的边缘定位,可以检测到更详细的边缘。这里,再次选择其他图像边缘提取使用边缘检测算法的基础上 - - - - - -拉普拉斯方程和相应的图片显示完整的边缘检测。不同的图像的检测结果表明,该边缘检测算法这一主题细节萃取能力强,可以获得良好的边缘提取结果与弱边缘对比度也更仔细地雕刻。
边缘检测算法的评价标准分为两个方面:定性分析和定量分析。定性分析是一个视觉效果的比较分析,该算法检测结果,基于边缘检测的效果可以分为五个层次:贫穷,贫穷,平均,好,好。和定量分析是比较好的和坏的检测结果后计算特定指数参数评估的边缘检测算法。噪声和边缘通常是高频分量,和上面的微分算子增加了高频组件通过衍生品的像素,因此很难准确区分噪声和边缘在图像,导致在许多图像边缘区域的误分类和噪音。的 - - - - - -拉普拉斯算法可以解决之间的矛盾边缘检测的准确性和抗噪声干扰的微分算子。然而,经典的边缘检测算法也有一些问题。图像分辨率之间的矛盾,小波系数的准确性解决方案在经典的检测算法,,很难获得准确的边缘检测系数,所以很容易在检测不准确定位等问题。从实验结果可以看出,经典的边缘提取检测算法不够连续和完整,边缘线条模糊,很多详细的部分没有检测到。通过使用获得的边缘图像 - - - - - -拉普拉斯分解算法在本文中不仅有准确的定位和连续和完整的边缘但是也不会发现太多pseudoedges传统运营商;因此,上述检测效果优于其他方法。详细的情况下在后台,只有精明的经营者和本文算法可以更准确地检测,和其他算法不能完全提取叶脉的细节部分。详细的部分模式的球,可以看出该算法检测到的边缘的清晰完整,没有断点,和检测效果是最好的。精明的经营者发现许多pseudoedges球的表面和背景部分,检测效果是不够准确的。其他算法的检测结果有许多不连续的边缘,不具备,可怜的检测结果。
定性和定量的对比模拟结果与各种微分算子和传统小波算法显示的优点 - - - - - -拉普拉斯算法反映在以下几个方面。(1)精明的等传统微分算子算法受噪声的影响,和提取的边缘图像有许多孤立的噪声点,这些都会增加虚假的边缘。相比之下, - - - - - -拉普拉斯算法获得一些孤立的噪声点的边缘,这个优势是随着分解层数的增加更加突出(2)经典的边缘提取的检测算法是不连续的,与许多中间打断点,导致缺乏定义的边缘线。相比之下,在边缘图像获得的边缘线 - - - - - -拉普拉斯算法是清晰的和光滑的,没有打断点(3)经典的检测算法是边缘定位不够准确。例如,背景的检测叶静脉在足球一部分图像与原始图像相比具有明显的偏差。相比之下,提取的结果 - - - - - -拉普拉斯算法没有这种现象,提取的边缘位置与原始图像是一致的(4)经典的检测算法更加复杂和计算量。虽然这个话题的算法实现了一个简单的过程,计算量小,可以有效地提高边缘检测的效率
因此,可以得出结论: - - - - - -拉普拉斯算法中使用这个主题具有更好的边缘检测能力比传统的微分算子和经典的检测算法。这个话题可以快速的算法进行边缘提取的图像,实现良好的检测结果。
5。结论
本文主要介绍分数阶微积分理论的应用程序基于图像边缘检测模型;对不同类型的噪声,它是适用于不同的场景;在生活中常见的高斯噪声,用于偏微分方程理论,去除噪声,同时消除步骤的效果,然后取得更好的图像纹理的保护;医疗散射噪声,分数阶微积分函数结合模糊理论处理医学图像的典范。这些模型的结合在一定程度上促进了图像边缘检测领域的发展。本文完成的主要工作包括以下几个方面:本文中的两个噪声模型处理,其次是一些边缘检测算法与本文提出的模型和分数阶微积分的相关理论,有一定的理解本文的理论基础,最后,指出了图像。最后,我们指出几个性能评价指标的图像,图像边缘检测效果的客观评价;我们介绍分数阶微积分的应用的方向偏微分方程,提出一种分数阶微积分偏微分方程为常见的高斯噪声图像边缘检测模型。能保真项的分数阶边缘检测后的图像更接近原始图像,也就是说,更多的细节可以被丢弃,而灰度值主要是用来测量保真项的相似图像之间的灰度值变化,这将促进模型来获得更好的边缘检测。在后者的研究中,发现integer-order微积分是更有效的比分数阶微积分在保留图像信息,处理高频信息,平滑低频信息。 A detailed analysis is also given about the comparison between the two, and finally, the experimental results also show that the image edge detection model based on the partial differential equation of the fractional-order calculus can not only remove the Gaussian noise in the image but also preserve the image detail The implementation principle of singularity detection using classical detection methods is described in detail. The defects of the classical detection algorithm are analyzed from the perspectives of experimental results and mathematical proofs, respectively, namely, there is a contradiction between the image resolution and the accuracy of wavelet coefficient solution in the classical mocha measurement method. On this basis, the advantages of edge image solving based on the - - - - - -拉普拉斯方程进行了分析。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
这项工作是支持的山东省人文和社会科学项目:勘探和研究当代中国油画的民族语言的发展,项目编号:2020 - zxxw - 10。