文摘

多级图像边缘修复的结果直接影响到后续的图像质量评价和认可。当前边缘检测算法已经不清楚边缘检测的问题。为了检测更加准确的边缘轮廓信息,基于视觉感知的多级图像边缘检测算法。首先,数字图像是由双滤波和模糊阈值分割处理;通过分析移动图像的轮廓特征,移动图像的阈值特性,和最新的隶属函数得到完成multithreshold优化。自适应滤波是用于处理对象的轮廓运动图像,和几何中心值的两个相邻轮廓点在轮廓范围内计算。根据计算结果,角度进一步计算曲率和曲率符号。根据曲率符号,运动图像检测到的轮廓特征。实验结果表明,该算法能有效、准确地检测图像的边缘轮廓和缩短重建时间,和检测图像分辨率高。

1。介绍

多层次的边缘图像集中图像的大部分信息,和它的决心和检测的重视多层次图像的识别和理解。边缘检测可以有效地合成丰富的光谱信息和空间信息多级图像,得到局部突变,形成边缘,然后检测图像中的边缘轮廓。随着数字图像处理技术的发展(1),多级图像边缘检测算法变得越来越熟悉的和重要的多级图像处理。在人类的视野,边缘的对象通常是用来区分每个对象,但在多级图像,边缘是一个重要的特性来区分不同的区域。多级图像边缘是图像最基本的特征(2),它是图像分析和理解的基础。它包含多级图像中的重要信息。它指的是当地的亮度显著变化的一部分。这之间存在目标图像和目标图像,目标图像和背景图像,图像和该地区的形象。的多级图像(3),物体的轮廓特征所代表的边缘信息可以反映多层图像的特征比其他特性。由于多级图像的复杂性,背景噪声的影响,和边缘的密度,它是困难的对于一些多级图像边缘检测算法,以满足实际需求。目前,多级图像边缘检测技术得到了广泛的应用,如目标跟踪、指纹识别、激光遥感图像分割,和许多其他领域。

多级图像的边缘和轮廓信息检测是图像分析和处理的基础上,检测结果的质量直接影响到后续的图像质量评价、压缩、识别结果,所以有必要做一个比较研究边缘和轮廓检测算法的多级图像。为了消除噪声的影响,获得更精确的图像边缘信息,许多专家和学者做了调查和研究。作为多级图像的边缘轮廓检测各领域具有重要的研究意义,它得到了广泛的关注和讨论,所以出现了一系列有效的方法。在[4),激光图像轮廓检测算法提出了基于最大组内的方差的方法。描述的激光图像是二维灰度直方图的形式,和激光图像由组内的最大方差法分割得到最优阈值的激光图像的目标。最优阈值作为主要的激光图像目标边缘,边缘能量最小化,直到最低边缘能量。边缘的最低能量的最终轮廓激光图像目标,和算法具有较高的检测精度。在[5),电弧图像边缘检测算法的仿真实验。根据弧列灰色的直方图分布,分析了电弧亮度不均匀分布的特点。通过提取的弧形轮廓图像,弧根收缩,弧柱短路现象,埋弧和螺旋结构的有效识别,和阴极弧根的不规则运动特点分析了阳极弧根跳共存。弧长变化、位移特征和弧柱直径变化在埋弧的运动进行了分析。尽管上述算法取得了一些研究成果,检测到图像边缘特征的相似性较低,和图像边缘细节的检测效果并不理想。为了解决上述问题,研究了多级图像边缘轮廓检测算法,以及多级图像边缘轮廓检测算法提出了基于视觉感知。实验结果表明,该算法可以消除图像中的噪声干扰,检测更加准确的边缘轮廓信息,并保留更好的边缘细节。

本文的研究创新包括以下:(1)当前边缘检测算法已经不清楚边缘检测的问题。为了检测更加准确的边缘轮廓信息,基于视觉感知的多级图像边缘检测算法。(2)自适应滤波是用于处理对象的轮廓运动图像,和几何中心值的两个相邻轮廓点在轮廓范围内计算。根据计算结果,角度进一步计算曲率和曲率符号。根据曲率符号,运动图像检测到的轮廓特征。(3)实验结果表明,该算法能有效、准确地检测图像的边缘轮廓和缩短重建时间,和检测图像分辨率高。

本文的其余部分组织如下。部分2介绍了多级图像边缘检测算法研究视觉感知。部分3讨论了多级图像轮廓特征检测算法基于multithreshold优化。部分4讨论了实验和分析。部分5提出了研究的结论。

2。研究视觉感知下的多级图像边缘检测算法

2.1。平滑和多级图像去噪

首先,多级图像平滑和双级过滤器选择光滑多级图像去噪算法。

2.1.1。基于小波自适应的多级图像去噪阈值

首先,根据多级图像的小波分解特性,更好的适合多级图像去噪阈值与不同的系数决定实现平滑去噪效果(6]。具体过程如下。

假设一个多层次的形象 大小 被表示为 在哪里 代表了多级图像像素的位置, 代表了一种多级图像没有噪音, 代表了多级图像的高斯白噪声 。通过应用离散小波变换的等号两边公式(1),我们可以得到以下结果: 在哪里代表噪声的小波系数数字图像小波变换后(7),代表了原始多级图像小波变换后的小波系数,和代表了高斯白噪声在小波变换后的小波系数。由于小波变换的特点是一种线性变换,然后 的小波系数最初的多级图像可以通过逆小波变换得到。基于小波阈值去噪,主要的过程如下:(1)多功能数字图像的噪声是由小波变换分解。适当的小波和小波分解级数选择计算各级小波系数的多功能数字噪声图像经过小波分解。(2)设置每一层的阈值的多级图像细节8]。从第一层到每一层层图像的阈值,然后,每一个细节小波系数阈值的图像预处理。(3)多级图像重建(9):根据低频系数的层,每一层的修改后的高频系数从第一层层、多层图像计算和重构。

阈值的选择是关键一步多级图像小波去噪和收缩:(一)多级图像固定阈值的计算表达式如下: 在哪里代表了多级图像的小波系数的长度,代表了多级图像噪声的标准差(10),而代表了图像估计阈值。事实上,图像的噪声误差是未知的,所以需要估计和计算从嘈杂的噪音信号的标准偏差的多级图像;表达式如下: 在哪里代表了多级图像的标准差系数代表了子带系数的多级图像。(b)多级图像无偏似然估计阈值:设定一个阈值多级图像和计算它的似然估计。然后,阈值nonlikelihood最小化的多级图像处理所选阈值。(c)多级图像启发式阈值:结合上述两个阈值,它是多级图像的最佳阈值选择的预测变量。当图像的信噪比很小,无偏似然估计阈值有很大的误差,所以第一个使用固定阈值方法。相反,使用无偏似然估计阈值。

2.1.2。基于视觉感知的多级图像去噪算法

理性的微分多级图像的去噪模型得到去除图像中的噪声像素。具体操作过程如下。

假设原始多级清晰的图像表示为 。表示为多级图像受噪声影响 。表示为图像噪声 。因为噪音零平均值的特点,不同的多级图像表示为 ;然后,我们可以得到多级图像的能量函数表达式:

根据公式(6),建立了多级图像去噪模型;然后,多级图像的函数公式如下: 在哪里 , ,和所有代表的多级图像和尺度系数代表多层图像的噪声不同价值,及其计算公式如下: 在哪里代表了多级图像和参数值代表了多级图像梯度算子和替换操作符阶微分算子。找到极值的必要条件的多级图像如下:

总之,当 ,多级图像去噪模型退化的图像去噪模型。当 ,多级图像去噪模型退化的分数微分去噪模型。到目前为止,多层次的平滑去噪图像完成。

2.1.3。基于双重过滤多级图像去噪算法

首先,双重过滤的基本原理用于某些社区的多级图像噪声点划分为四个滤波模板在不同的方向,分别执行和中值滤波(11]。然后,过滤结果的四个模板在不同方向计算获得多级图像噪声的滤波值点。详细描述过程如下。

对噪声点 在多级图像,其附近的大小表示为 ,在哪里是一个正整数。多级图像滤波的过程中使用双重离散小波方法如下: 在哪里 代表四个不同的方向滤波模板的滤波值的多级图像,代表多级图像的中值滤波计算,和 代表多层次灰色矩阵在某一地区的形象。一组 计算如下: 在哪里 代表的最大过滤系数和多级图像 代表了最低多级图像的滤波系数。

2.2。边缘和轮廓检测算法的多级图像

2.2.1。多级图像边缘轮廓检测算法基于梯度算子

基于多级图像分割的结果,使用梯度算子检测边缘轮廓的多级图像,以获得多层图像的边缘轮廓信息。具体过程如下。

多级图像梯度是一个向量(12),代表图像的边缘强度的大小,和它的方向是垂直于图像的边缘方向。多级图像,连续函数的梯度 在 计算如下:

多层次的形象,两个相邻点的灰度值通常用于近似连续函数变量和数字图像:

根据公式(13)和(14),梯度算子对噪声十分敏感的多级图像,具有抗噪声能力差和不能有效检测不同方向的边缘轮廓信息多级图像。

2.2.2。多级基于数学形态学的图像边缘轮廓检测算法

基于多级图像分割结果,多级图像的边缘轮廓检测通过使用数学形态学边缘检测算子,以及图像边缘与噪声。根据检测结果,检测到多级图像的边缘轮廓信息。具体办法如下。

假设多级图像数学形态学结构元素被选中计算,多级图像multistructure元素表示如下: 在哪里代表的多级图像交叉 结构元素的大小 , ,和 甚至更大。多级图像形态学操作的时间通常是与结构元素的大小成正比。通过分解的结构元素多级图像,可以减少操作时间。较小的结构元素的大小,可以保护更多的图像细节。

假设 代表输入多层次灰色功能和形象 代表了多级图像结构元素功能和结构元素的元素定义多级图像多级图像结构元素集或 。 和代表多层次灰色图像函数的定义的域 和 ,分别。

然后,结构元素的加权平均值的多级图像的函数元素计算如下:

根据重要性权重值设置不同结构元素的多级图像,在公式, 。

根据上面的计算,我们得到的多级图像边缘检测算子和添加适当的权重的多级图像边缘检测算子;计算公式如下:

假设的灰色多层次图像的范围 ,和每个图像像素灰度的概率表示为 。根据多级图像边缘检测算子 ,处理过的图像表示为 ,和多级图像熵的计算公式如下:

然后,重量多级图像熵计算如下:

根据上面的计算,完成多级图像的边缘检测,检测和边缘轮廓信息的多级图像实现根据检测结果。

3所示。基于Multithreshold多级图像轮廓特征检测算法的优化

3.1。Multithreshold优化基于遗传算法

通过多级图像轮廓特征的分析,为多级阈值设置图像特征来获取最新的隶属函数(13),完成multithreshold优化。具体过程如下。

基于多级图像轮廓的分析功能,多级图像转换成图像模糊空间根据灰色数据空间。然而,多级图像轮廓模糊隶属函数的一般消耗太多的时间。如果它是被一个简单的线性函数,成员函数矩阵的多级图像可以快速转换: 在哪里代表了多级图像像素的灰度值代表multithreshold。

在多级图像模糊矩阵的定义,代表了最大隶属度的图像像素灰度相对于阈值 。这个方法是用来定义模糊矩阵低灰度范围和高灰色的多级图像轮廓特征,以减少信息损失的低灰度范围的多级图像轮廓特征,实现更好的结果。

基于公式(20.)的逆变换如下:

由于多级图像的灰度是0 - 255,multithreshold视为一个染色体。根据12位二进制代码,阈值设置为每个代码。二百人与不同的轮廓点是随机选择的多级图像矩阵,或全部作为初始种群。给出了适应度函数如下: 在哪里和代表的平均灰度值除以两个间隔的多级图像 , 和代表概率之和当多级图像的灰度值小于和更大的比 ,和的平均灰度值代表整个多层图像的轮廓特征信息。

根据遗传算法,优化最优阈值,然后,波动阈值组,组内的方差最大范围的评估 获得最优multithreshold形象。

3.2。多级图像轮廓特征检测的优化

自适应滤波是用于处理多级图像中物体的轮廓,和几何中心值的两个相邻轮廓点在轮廓范围内计算。根据计算结果,角度进一步计算曲率和曲率符号。根据曲率符号,检测到的特征信息。具体过程如下。

边缘检测和轮廓检测执行的多级图像来获取图像中物体的轮廓线,这是记录 , ,和代表像素轮廓线。封闭的轮廓线分为两个一维离散曲线和 ,和描述公式如下: 在哪里像素的数量和吗是像素的总数14]。误差的影响和噪声在图像形成的过程中,和不光滑。自适应滤波方法用于过程曲线。让代表不光滑曲线上的离散信号,光滑的信号获得的是 迭代: 在哪里 卷积的体重(15]。在自适应平滑的过程中, ,和是 在哪里是信号的导数的结果吗和是平滑系数。系数越大,平滑效果越强。太强大的平滑效应将导致损失的不均匀分和曲线的钝化,导致穷人收缩图像的轮廓。选择系数的大小需要根据程度的不平滑的轮廓和图像噪声。

平滑后,弯曲角的轮廓计算图像的范围为中心,为半径,以减少误差和噪声的图像。图像像素组成的区域和每个点半径是 : 在哪里半径内的像素数量吗周围 , 。

方向角和的向量组成的两个地区毗邻是谁的中心点 , ,和计算如下: 在哪里和的横坐标和纵坐标吗 ,分别为,和的横坐标和纵坐标吗 ,分别。弯曲的角度得到的轮廓线:

当曲率和成正比,设置参考价值弯曲的角度。当 , 像素标记为候选人角落。当 , 轮廓的角落。曲率符号由曲率定义角度: 在哪里是默认的弯曲角度的参考价值。根据对应于每一点的曲率符号,不同的特征像素图像的轮廓是有区别的,和多级图像轮廓特征检测完成。

4所示。实验分析

为了验证多级的整体有效性基于视觉感知的图像边缘检测算法,仿真试验是必要的。实验中使用的视觉图像都是512×512。实验中进行了MATLAB R2010a环境。硬件条件4.0 GB内存,3.30 GHz频率,英特尔(R) (TM) i3 - 2120 CPU核心。多级基于视觉感知的图像边缘检测算法(本文中的算法),该算法在4),该算法在5)是用来测试样本图像处理,PSNR(峰值信噪比),重建速度和三个参数。

多级图像边缘检测算法的实验参数如表所示1:

多级图像示例图如图1:

根据算法的检测过程,样品图1检测和处理。在相同的实验条件下,该算法在4)和算法(5)用于检测和处理。结果如图所示2。

从图可以看出2,该算法的检测结果是类似的样本图像,在算法的检测结果(4)和算法(5远离那些的样品图像。原因是该算法集阈值的多级图像特征通过分析多级图像的轮廓特征,获取最新的隶属函数,并完成multithreshold优化,这是有利于优化样品的检测结果图像在一定程度上。

图3显示了结果的不同算法重建的时间和PSNR 16×16块图像不同的采样率。

从图的分析3,我们可以看到,该算法可以在短时间内获得好的图像重建结果当采样率低于0.5。丁,你4和夏等。5)显著提高重建性能提高采样率,但需要更长的时间来运行,因为商et al。16)需要确定图像的稀疏信号,香和唐17)需要计算阈值基于视觉图像的噪声水平,和这两个系数不存在的视觉形象,因此需要很长时间。视觉形象的重建之前,变分模型和学习词典结合去除噪声,缩短重建时间,提高PSNR。

在所有的仿真结果的比较,本文方法比其他方法更好的图像重建功能。采样率的增加,所提出的方法在17]和[18)不断提高峰值信噪比,和[18)明显比(17]。然而,当采样率是80%,17)比(18),因为在这个时候,图像信号的稀疏和噪声水平有最少的影响17),所以它的重建能力比同期的引用(18]。

从表可以看出2,多级图像形态学操作的时间通常是与结构元素的大小成正比。通过分解的结构元素多级图像,可以减少操作时间。较小的结构元素的大小,可以保护更多的图像细节。

为了进一步验证算法的整体效果,图像分辨率的测试指标,更好的图像分辨率,图像重建质量越高;这个算法,4)算法,5)算法的图像分辨率图所示4。

在图的分析数据4表明,该算法的图像分辨率高于[4,5]在许多迭代,因为小原子大小字典是用来保持边缘和纹理信息的图像去噪过程中,和更大的原子大小字典是用来区分图像中的噪声和原始信号,从而提高图像去噪效果和图像的分辨率。

多层次的检测结果基于视觉感知的图像边缘轮廓检测算法类似的样本图像,和良好的图像重建结果可以在相对较短的时间获得采样率低于0.5。视觉图像的重建之前,变分模型和学习词典结合去噪图像,消除了干扰引起的噪声在图像重建,缩短重建时间,提高了峰值信噪比。本文算法在多个迭代图像分辨率更高。

5。结论与展望

5.1。结论

多层次的结果基于视觉感知的图像边缘轮廓检测算法接近示例图片,和良好的图像重建结果后,能在短时间内得到采样率低于0.5。之前重建视觉图像,图像去噪结合变分模型和学习字典,这样可以排除噪声的干扰图像重建,缩短重建时间,提高了峰值信噪比。这个算法的图像分辨率更高的在多个迭代。

5.2。前景

多层次的基于视觉感知的图像边缘检测算法取得了良好的效果,还有很多问题需要进一步研究和解决的过程中研究。(1)边缘检测的轮廓特征,不同的窗口大小对不同的特性有不同的影响。窗口大小不同的选择来检测像素点的特点,避免窗口大小的影响在边缘轮廓特征检测。其中,最优窗口大小不是决定性的,和最重要的价值选择的结果。需要做很多工作来分析不同的窗口大小的影响在不同的特性。(2)滤波器响应向量的聚类分析,聚类算法的速度大大影响整体速度的多级图像边缘检测算法,这也是具有重要意义的加速和优化聚类算法。(3)多级优化的图像边缘检测算法将大大提高最终的检测效果。视觉感知只是其中一种,其他融合算法需要进一步研究。

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

作者宣称没有利益冲突。

确认

这个项目得到了广西自然科学基金(项目号2018 gxnsfaa294085)(圆形成控制可替换主体系统耦合下的事件驱动和量化通信)。