CN103679737B - 基于多通道信息选择的彩色图像边缘检测方法 - Google Patents
基于多通道信息选择的彩色图像边缘检测方法 Download PDFInfo
- Publication number
- CN103679737B CN103679737B CN201310733556.7A CN201310733556A CN103679737B CN 103679737 B CN103679737 B CN 103679737B CN 201310733556 A CN201310733556 A CN 201310733556A CN 103679737 B CN103679737 B CN 103679737B
- Authority
- CN
- China
- Prior art keywords
- edge detection
- edge
- gradient
- image
- passage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于多通道信息选择的彩色图像边缘检测方法,包括以下步骤:对输入的彩色图像进行预处理;在RGB颜色空间中,对图像进行R、G、B三个通道上的边缘检测与梯度信息提取;结合各个通道的边缘检测结果,选择置信度高的边缘点,得到稀疏的边缘检测结果图,进行边缘生长;保留各个通道的边缘检测结果,得到稠密的边缘检测结果图,并进行修正;综合稀疏的边缘检测结果和稠密的边缘检测结果,得到最终的边缘检测输出图像。本发明的实施例通过综合与利用RGB空间内彩色图像各个通道上的边缘信息,选择适用的梯度信息定位与连接图像的边缘,能够较充分地保留仅在单个通道上显著的图像边缘,提高边缘检测的完整度,且计算复杂度较低。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种基于多通道信息选择的彩色图像边缘检测方法。
背景技术
图像边缘反映景物局部区域特征的差别。图像边缘检测是进行图像分析、模式识别等深层次处理的关键步骤。传统的图像边缘检测方法大都基于灰度图像进行,而目前传输和存储的图像主要为彩色。彩色图像的视觉感知比灰度图像丰富得多。目前彩色图像的边缘检测方法主要有两类。
一类是将彩色图像转换成灰度图像,使用灰度图像边缘检测方法,这类方法仅利用了图像的亮度信息,不能充分利用彩色图像的颜色信息。另一类是基于一定颜色空间中的多维向量处理和梯度模板,主要区别在于使用的具体方法和判定依据。第二类方法较充分地利用了彩色图像的信息,但也存在不足。其中,基于多维矢量和的方法在梯度矢量绝对值相近而方向相反时边缘检测效果不佳。基于多维向量角度差的方法忽略了图像的灰度信息,虽然能有效检测不同色度域的边缘,但对于不同灰度域的边缘检测效果不佳。目前,小波分析、启发式算法、矢量统计排序、模糊逻辑等方法也被引入彩色图像边缘检测方法中,虽然可以提高边缘检测精确性,但计算复杂度过高。
综上所述,目前的方法没有充分综合彩色图像多通道信息,对于仅在单个通道上显著的图像边缘难以充分保留,边缘检测的完整度有待增强,且难以同时满足边缘检测定位精度高和计算复杂度低的需要。
发明内容
本发明旨在至少解决上述技术问题之一。
为此,本发明的目的在于提出一种基于多通道信息选择的彩色图像的边缘检测方法,该方法能够有效综合与利用RGB空间内彩色图像各个通道上的边缘检测信息,提高边缘检测的完整度、边缘定位的精度,另外,该方法的计算复杂度低。
为了实现上述目的,本发明的实施例提出了一种基于多通道信息选择的彩色图像边缘检测方法,包括以下步骤:对输入的彩色图像进行预处理;在RGB颜色空间中,对所述彩色图像进行R、G、B三个通道上的边缘检测与梯度信息提取;结合所述各个通道的边缘检测结果,选择置信度高的边缘点,得到稀疏的边缘检测结果图,进行边缘生长;保留所述各个通道的边缘检测结果,得到稠密的边缘检测结果图,并进行修正;以及综合所述稀疏的边缘检测结果和所述稠密的边缘检测结果,得到最终的边缘检测输出图像。
根据本发明实施例的基于多通道信息选择的彩色图像边缘检测方法,通过综合与利用R、G、B三个通道的边缘检测结果,选择适用的梯度信息定位与连接图像的边缘,能够较充分地保留仅在单个通道上显著的图像边缘,提高边缘检测的完整度和边缘定位的精度,且计算复杂度较低。
另外,根据本发明上述实施例的基于多通道信息选择的彩色图像边缘检测方法还可以具有如下附加的技术特征:
在本发明的实施例中,所述对输入的彩色图像进行预处理进一步包括:将所述输入图像分离为所述R、G、B三个通道上的伪灰度图像,分别进行滤波去噪、图像增强等预处理。
在本发明的实施例中,所述对所述彩色图像进行所述R、G、B三个通道上的边缘检测与梯度提取进一步包括:在单个通道的伪灰度图像中,使用一定的梯度模板,计算每个像素点的梯度矢量;使用非极大值抑制方法定位可能的边缘点;对所述图像的边缘进行生长,提高边缘连续性。
在本发明的实施例中,所述得到稀疏的边缘检测结果图,进行边缘生长进一步包括:根据所述三个通道的图像梯度信息,按照一定规则,给定所述每一个像素点处的梯度矢量;对所述三个通道中检测的边缘点进行筛选,若某个像素点在至少两个通道中被检测为边缘点,则将其保留为所述输出图像中的边缘点,从而得到所述稀疏的边缘检测结果图;对所述稀疏的边缘检测结果图中的像素点,检查其邻域边缘点分布,进行边缘生长。
在本发明的实施例中,所述一定规则包括:以所述三个通道在所述给定像素点处的梯度矢量的大小作为权重,对所述梯度矢量进行加权求和,作为该像素点的梯度矢量。
在本发明的实施例中,所述对稀疏边缘检测结果图中的像素点,检查其邻域边缘点分布,进行边缘生长包括:对所述稀疏的边缘检测结果图中的每一个像素点,若其在任一通道中被检测为边缘点,则统计其一定邻域内的边缘点数目,若所述统计数目少于一定阈值,则根据所述像素点的梯度矢量的方向进行边缘生长,得到新的边缘检测结果。
在本发明的实施例中,所述保留所述各个通道的边缘检测结果,得到稠密的边缘检测结果图,并进行修正进一步包括:对所述三个通道的边缘检测结果进行或运算,即同时保留所述三个通道中检测的边缘,从而得到所述稠密的边缘检测结果图;使用基于窗口的方法,对所述稠密的边缘检测结果图进行修正,合并不同通道中接近的边缘检测信息。
在本发明的实施例中,所述使用基于窗口的方法,对所述稠密的边缘检测结果图进行修正,合并不同通道中接近的边缘信息进一步包括:选择一定类型和尺寸的窗口,计算所述窗口内各通道的局部梯度主方向;若存在至少两个通道的所述局部梯度主方向相同,则根据一定规则从多通道中选择与所述梯度方向相关的边缘点,合并边缘。
在本发明的实施例中,所述选择一定类型和尺寸的窗口,计算所述窗口内各通道的局部梯度主方向进一步包括:选择一定类型和尺寸的窗口,统计所述窗口内边缘点的数目,若所述统计数目大于一定阈值,对每一个通道,统计其在所述窗口内的所述边缘点的梯度方向,选择出现频率最大的方向作为所述通道的局部梯度主方向。
在本发明的实施例中,所述一定规则为:在所述窗口中,在所述窗口中,对所述局部梯度主方向相同的通道,统计所述各通道中与所述梯度方向相关的边缘点的梯度矢量的大小,确定峰值;若某一通道的所述梯度矢量的峰值最大,则选择所述通道上与所述梯度方向相关的边缘点,而去除其余通道上与所述梯度方向相关的边缘点,达到合并边缘的目的。
在本发明的实施例中,所述综合所述稀疏的边缘检测结果和所述稠密的边缘检测结果,得到最终边缘检测输出图像进一步包括:对所述稀疏的边缘检测结果图和所述稠密的边缘检测结果图,进行信息融合,合并所述相关度高的边缘点,去除低置信度边缘点,得到所述最终的边缘检测输出图像。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于多通道信息选择的彩色图像边缘检测方法的流程图;
图2为根据本发明一个实施例的基于多通道信息选择的彩色图像边缘检测方法的得到稀疏的边缘检测结果图并进行边缘生长的流程图;
图3为根据本发明一个实施例的基于多通道信息选择的彩色图像边缘检测方法的得到稠密的边缘检测结果图并进行修正的流程图;和
图4为根据本发明一个实施例的基于多通道信息选择的彩色图像边缘检测方法的合并边缘检测信息的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
以下结合附图详细描述根据本发明实施例的基于多通道信息选择的彩色图像边缘检测方法。
图1为根据本发明一个实施例的基于多通道信息选择的彩色图像边缘检测方法的流程图。
如图1所示,根据本发明一个实施例的基于多通道信息选择的彩色图像边缘检测方法,包括以下步骤:
步骤S101,对输入的彩色图像进行预处理。
具体地,对输入的彩色图像进行预处理具体包括:将输入的彩色图像分离为R、G、B三个通道上的为灰度图像,并分别对其进行滤波去噪、图像增强等预处理。具体而言,在本发明的一个实施例中,使用高斯滤波对图像进行平滑去噪处理,使用高频提升进行图像增强处理。
步骤S102,在RGB颜色空间中,对图像进行R、G、B三个通道上的边缘检测与梯度信息提取。作为本发明的一个实施例,在RGB颜色空间中,对图像进行R、G、B三个通道上的边缘检测与梯度信息提取具体包括:在单个通道的伪灰度图像中,使用一定的梯度模板,计算每个像素点的梯度矢量,并使用非极大值抑制方法定位可能的边缘点,再对图像的边缘进行生长,提高边缘连续性。具体地,在本发明的一个实施例中,使用Canny算子进行单通道上的图像边缘检测,梯度矢量的方向分为水平、垂直、与水平方向称45度角、与水平方向成135度角4个方向。
步骤S103,结合各个通道的边缘检测结果,选择置信度高的边缘点,得到稀疏的边缘检测结果图,进行边缘生长。
以下结合图2详细描述得到稀疏的边缘检测结果图并进行边缘生长的具体步骤。
如图2所示,得到稀疏的边缘检测结果图并进行边缘生长的步骤包括:
步骤S201,根据三个通道的图像梯度信息,按照一定规则,给定每一个像素点处的梯度矢量。
具体地,在本发明的一个实施例中,以三个通道在给定像素点处的梯度矢量的大小作为权重,对梯度矢量进行加权求和,作为该像素点的梯度矢量。
步骤S202,对三个通道中检测的边缘点进行筛选,若某个像素点在至少两个通道中被检测为边缘点,则将其保留为输出图像中的边缘点,从而得到稀疏的边缘检测结果图。例如:若A像素点均在R和G通道中,或者R和B通道中,或者G和B通道中或者R、B和G通道中被检测为边缘点,则将A像素点保留为输出图像中的边缘点。
步骤S203,对稀疏的边缘检测结果图中的像素点,检查其邻域边缘点分布,进行边缘生长。具体而言,对稀疏的边缘检测结果图中的每一个像素点,若其在任一通道中被检测为边缘点,则统计其一定邻域内的边缘点数目,若所统计的数目少于一定阈值,则根据该像素点的梯度矢量的方向进行边缘生长,得到新的边缘检测结果。
具体地,使用5×5的方形窗口,例如某个像素点的坐标为(i,j),若其在R、G、B任一通道中被检测为边缘点,则检查稀疏边缘检测结果图中以该像素点为中心的5×5窗口内边缘点的数目,若少于5个,则根据该像素点的梯度方向进行边缘生长,假设该像素点的梯度方向为水平方向,则将其在垂直方向上的两个相邻点置为边缘点,这两个相邻点的梯度方向也置为水平方向。
步骤S104,保留各个通道的边缘检测结果,得到稠密的边缘检测结果图,进行修正。
以下结合图3详细描述得到稠密的边缘检测结果图并进行修正的具体步骤。
如图3所示,得到稠密的边缘检测结果图并进行修正的步骤包括:
步骤S301,对三个通道的边缘检测结果进行或运算,即同时保留三个通道中检测的边缘,从而得到稠密的边缘检测结果图。
步骤S302,使用基于窗口的方法,对稠密的边缘检测结果图进行修正,合并不同通道中接近的边缘检测信息。
具体地,结合图4详细描述如何对稠密的边缘检测结果进行修正。
步骤S401,选择一定类型和尺寸的窗口,计算窗口内各通道的局部梯度主方向。具体而言,选择一定类型和尺寸的窗口,统计窗口内边缘点的数目,若所统计的数目大于一定阈值,对每一个通道,统计其在该窗口内的边缘点的梯度方向,选择出现频率最大的方向作为该通道的局部梯度主方向。在本发明的实施例中,优选地,使用7×7的方形窗口,其一定阈值为10。
步骤S402,若存在至少两个通道的局部梯度主方向相同,则根据一定规则从多通道中选择与该梯度方向相关的边缘点,合并边缘。具体而言,在本发明的一个实施例中,一定规则为:在上述7×7的方形窗口中,对局部梯度主方向相同的通道,统计各通道中与该梯度方向相关的边缘点的梯度矢量的大小,确定其峰值;若某一通道的梯度矢量的峰值最大,则选择该通道上与该梯度方向相关的边缘点,而去除其余通道上与该梯度方向相关的边缘点,达到合并边缘的目的。
步骤S105,综合稀疏的边缘检测结果和稠密的边缘检测结果,得到最终的边缘检测输出图像。即综合步骤S103和步骤S104的边缘检测结果,得到最终的边缘检测输出图像。具体而言,首先对步骤S103和步骤S104得到的边缘检测结果图进行信息融合,合并相关度高的边缘点,去除低置信度的边缘点,得到最终的边缘检测输出图像。作为一个具体的示例,假设步骤S103所得到的边缘检测结果图为图A,步骤S104所得到的边缘检测结果图为图B,对图A和图B进行或运算,即同时保留图A和图B中的边缘点,形成的边缘检测结果图记为图C。然后使用5×5的窗口对图C进行处理,对每一个边缘点,沿其梯度方向,寻找最近邻边缘点,利用R、G、B三个通道的灰度值,计算两点的相关度,若相关度高于一定阈值,则将两点并为一点,从而得到最终的边缘检测输出图像。
根据本发明实施例的基于多通道信息选择的彩色图像边缘检测方法,通过综合与利用R、G、B三个通道的边缘检测结果,选择适用的梯度信息定位与连接图像的边缘,能够较充分地保留仅在单个通道上显著的图像边缘,提高边缘检测的完整度和边缘定位的精度,且计算复杂度较低。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本实用新型的实施例,本领域的普通技术人员可以理解:在不脱离本实用新型的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本实用新型的范围由权利要求及其等同限定。
Claims (8)
1.一种基于多通道信息选择的彩色图像边缘检测方法,其特征在于,包括以下步骤:
对输入的彩色图像进行预处理;
在RGB颜色空间中,对所述彩色图像进行R、G、B三个通道上的边缘检测与梯度信息提取;
结合各个通道的边缘检测结果,选择置信度高的边缘点,得到稀疏的边缘检测结果图,进行边缘生长,具体包括:根据所述三个通道的图像梯度信息,按照一定规则,给定每一个像素点处的梯度矢量,对所述三个通道中检测的边缘点进行筛选,若某个像素点在至少两个通道中被检测为边缘点,则将其保留为输出图像中的边缘点,从而得到所述稀疏的边缘检测结果图,对所述稀疏的边缘检测结果图中的像素点,检查其邻域边缘点分布,进行边缘生长;
保留所述各个通道的边缘检测结果,得到稠密的边缘检测结果图,并进行修正,具体包括:
对所述三个通道的边缘检测结果进行或运算,同时保留所述三个通道中检测的边缘,从而得到所述稠密的边缘检测结果图;
使用基于窗口的方法,对所述稠密的边缘检测结果图进行修正,合并不同通道中接近的边缘检测信息,具体包括:选择一定类型和尺寸的窗口,计算所述窗口内各通道的局部梯度主方向,若存在至少两个通道的所述局部梯度主方向相同,则根据一定规则从多通道中选择与所述梯度方向相关的边缘点,合并边缘;以及
综合稀疏的边缘检测结果图和稠密的边缘检测结果图,得到最终的边缘检测输出图像。
2.根据权利要求1所述的彩色图像边缘检测方法,其特征在于,所述对输入的彩色图像进行预处理进一步包括:
将输入图像分离为所述R、G、B三个通道上的伪灰度图像,分别进行滤波去噪、图像增强预处理。
3.根据权利要求1所述的彩色图像边缘检测方法,其特征在于,所述对所述彩色图像进行所述R、G、B三个通道上的边缘检测与梯度提取进一步包括:
在单个通道的伪灰度图像中,使用一定的梯度模板,计算每个像素点的梯度矢量;
使用非极大值抑制方法定位可能的边缘点;
对所述伪灰度图像的边缘进行生长,提高边缘连续性。
4.根据权利要求1所述的彩色图像边缘检测方法,其特征在于,在根据所述三个通道的图像梯度信息,按照一定规则,给定每一个像素点处的梯度矢量的过程中,所述一定规则包括:
以所述三个通道在给定像素点处的梯度矢量的大小作为权重,对所述梯度矢量进行加权求和,作为该像素点的梯度矢量。
5.根据权利要求1所述的彩色图像边缘检测方法,其特征在于,对稀疏边缘检测结果图中的像素点,检查其邻域边缘点分布,进行边缘生长包括:对所述稀疏的边缘检测结果图中的每一个像素点,若其在任一通道中被检测为边缘点,则统计其一定邻域内的边缘点数目,若统计数目少于一定阈值,则根据所述像素点的梯度矢量的方向进行边缘生长,得到新的边缘检测结果。
6.根据权利要求1所述的彩色图像边缘检测方法,其特征在于,所述选择一定类型和尺寸的窗口,计算所述窗口内各通道的局部梯度主方向进一步包括:
选择一定类型和尺寸的窗口,统计所述窗口内边缘点的数目,若统计数目大于一定阈值,对每一个通道,统计其在所述窗口内的所述边缘点的梯度方向,选择出现频率最大的方向作为所述通道的局部梯度主方向。
7.根据权利要求1所述的彩色图像边缘检测方法,其特征在于,所述根据一定规则从多通道中选择与所述梯度方向相关的边缘点的过程中,所述一定规则为:
在所述窗口中,对所述局部梯度主方向相同的通道,统计所述各通道中与所述梯度方向相关的边缘点的梯度矢量的大小,确定峰值;若某一通道的所述梯度矢量的峰值最大,则选择所述通道上与所述梯度方向相关的边缘点,而去除其余通道上与所述梯度方向相关的边缘点,达到合并边缘的目的。
8.根据权利要求1所述的彩色图像边缘检测方法,其特征在于,所述综合所述稀疏的边缘检测结果图和所述稠密的边缘检测结果图,得到最终边缘检测输出图像进一步包括:
对所述稀疏的边缘检测结果图和所述稠密的边缘检测结果图,进行信息融合,合并相关度高于一定阈值的边缘点,得到所述最终的边缘检测输出图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310733556.7A CN103679737B (zh) | 2013-12-26 | 2013-12-26 | 基于多通道信息选择的彩色图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310733556.7A CN103679737B (zh) | 2013-12-26 | 2013-12-26 | 基于多通道信息选择的彩色图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679737A CN103679737A (zh) | 2014-03-26 |
CN103679737B true CN103679737B (zh) | 2017-02-15 |
Family
ID=50317188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310733556.7A Active CN103679737B (zh) | 2013-12-26 | 2013-12-26 | 基于多通道信息选择的彩色图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679737B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9710892B2 (en) * | 2015-10-21 | 2017-07-18 | Chunghwa Picture Tubes, Ltd. | Image enhancement method and image processing apparatus thereof |
CN105809677B (zh) * | 2016-03-03 | 2020-12-22 | 武汉Tcl集团工业研究院有限公司 | 一种基于双边滤波器的图像边缘检测方法及系统 |
CN105957067B (zh) * | 2016-04-23 | 2018-10-19 | 北京工业大学 | 一种基于颜色差分的彩色图像边缘检测方法 |
CN106204563B (zh) * | 2016-07-04 | 2019-11-15 | 傲讯全通科技(深圳)有限公司 | 一种图像转换方法 |
CN110717899A (zh) * | 2019-09-25 | 2020-01-21 | 武汉易视维科技有限公司 | 一种透明滤棒爆珠缺陷在线视觉检测方法 |
CN110737728B (zh) * | 2019-10-15 | 2023-05-30 | 深圳供电局有限公司 | 基于大数据分析技术的项目域主题分析系统 |
CN113132705A (zh) * | 2021-04-20 | 2021-07-16 | Oppo广东移动通信有限公司 | 图像色边的校正方法、校正装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101563348B1 (ko) * | 2008-10-07 | 2015-10-27 | 삼성전자 주식회사 | 영상의 노이즈를 저감하는 영상 처리 장치 및 방법 |
-
2013
- 2013-12-26 CN CN201310733556.7A patent/CN103679737B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
Non-Patent Citations (2)
Title |
---|
Color image edge detection method using VTV denoising and color difference;Jun Zeng等;《Optik》;20121130;第123卷(第22期);第2072-2075页 * |
一种新的彩色图像边缘检测算法;于烨 等;《清华大学学报(自然科学版)》;20051025;第45卷(第10期);第1339-1343页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103679737A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679737B (zh) | 基于多通道信息选择的彩色图像边缘检测方法 | |
Li et al. | DeepMitosis: Mitosis detection via deep detection, verification and segmentation networks | |
CN106056155B (zh) | 基于边界信息融合的超像素分割方法 | |
CN103914834B (zh) | 一种基于前景先验和背景先验的显著性物体检测方法 | |
CN103927526B (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN104217208B (zh) | 目标检测方法和装置 | |
CN104463138B (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN107945179A (zh) | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN104143190B (zh) | Ct图像中组织的分割方法及系统 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
CN106846344A (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN103248906B (zh) | 一种双目立体视频序列的深度图获取方法与系统 | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN109685732A (zh) | 一种基于边界捕捉的深度图像高精度修复方法 | |
CN103177260B (zh) | 一种彩色图像边界提取方法 | |
CN104346801A (zh) | 图像构图评估装置、信息处理装置及其方法 | |
CN104766324A (zh) | 基于超像素和异常检测的彩色血细胞图像白细胞分割方法 | |
CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
CN105741276A (zh) | 一种船舶水线提取方法 | |
CN103514460B (zh) | 视频监控多视角车辆检测方法和装置 | |
CN103208121B (zh) | 基于硬边界约束与两阶段合并的遥感图像分割方法 | |
CN105787912A (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN105956544A (zh) | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |