CN104778710B - 一种基于量子理论的形态学图像边缘检测方法 - Google Patents
一种基于量子理论的形态学图像边缘检测方法 Download PDFInfo
- Publication number
- CN104778710B CN104778710B CN201510200901.XA CN201510200901A CN104778710B CN 104778710 B CN104778710 B CN 104778710B CN 201510200901 A CN201510200901 A CN 201510200901A CN 104778710 B CN104778710 B CN 104778710B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- quantum
- matrix
- edge detection
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于量子理论的形态学图像边缘检测方法,包括以下步骤:S1:基于量子理论的形态学边缘检测,S2:采用NMS细化算法与形态学细化相结合的方式对图像进行边缘细化;S3:采用量子概率方法对图像进行边缘连接,该方案提出的量子形态学边缘检测算法对噪声图像进行边缘检测时,即使噪声强度较大,仍能有效提取边缘。该方案提出的基于量子概率的边缘连接算法能有效提高边缘的连续性。
Description
技术领域
本发明涉及图形边缘处理技术领域,尤其涉及一种基于量子理论的形态学图像边缘检测方法。
背景技术
边缘检测是一种基本的图像处理方法,已广泛地应用于图像分割、图像识别和图像分析等领域。通常在图像获取、传输和处理过程中,总会不可避免地存在各种噪声,且噪声与图像边缘的频带混合在一起,这使得图像边缘检测变得很困难。因此,如何从噪声干扰的图像中有效地获取图像边缘是图像处理的一个重要研究课题。
基于Sobel、Roberts、Prewitt等梯度算子和拉普拉斯算子的传统边缘检测方法都对噪声很敏感,难以有效地对有噪图像进行边缘检测。Canny算子在噪声较小时能检测出图像边缘,但重要的边缘信息容易被平滑掉,还会出现虚假轮廓效应,且在噪声较大时,也无法有效地检测出边缘[1]。基于小波分析的边缘检测方法通过多尺度变换只能从小噪声图像中检测出边缘,但是检测到的边缘存在明显的不连续现象,且多级小波分解的计算量较大[2]。由于常用的边缘检测算法无法直接从含噪图像中有效地检测出边缘,通常的解决方法是先滤波再检测边缘,但线性滤波的平滑特性会使图像在预滤波阶段丢失边缘信息。基于数学形态学的边缘检测方法能较好地保留图像细节,但其检测效果依赖于结构元素的形状和大小,而且由于噪声分布的不确定性,很难找到适应于全局图像的结构元素[3]
现有技术中基于均方差测量算子的量子衍生形态学图像边缘检测方法(文献4),该方法使结构元素处于量子叠加态,在结构元素平移的过程中,由平移点邻域的图像局部特征(均方差)生成测量算子,并对该结构元素进行测量使其坍缩到相应的基态—传统结构元素。由于不同像素点的邻域特征不同,从而获得自适应的结构元素。将其作用于形态学梯度边缘检测算子
其中,f为噪声污染图像,Bq为结构元素,G为边缘图像,表示形态学膨胀运算,Θ表示形态学腐蚀运算。该方法能直接从噪声干扰的图像中大致检测出图像的边缘,但检测出的边缘较粗且存在不连续现象。当噪声增大时,基于均方差的测量算子把部分正常像素点误判为噪声的可能性增大,检测出的边缘质量越来越差。
发明内容
根据现有技术存在的问题,本发明公开了一种基于量子理论的形态学图像边缘检测方法,具体方案是:包括以下步骤:
S1:基于量子理论的形态学边缘检测:
S11:将灰度图像f(x,y)标准化到区间[0,1],确定一个中心像素,根据该像素的大小为n的邻域灰度信息定义一个叠加态结构元素矩阵SEg(x,y);
S12:跟据中心像素邻域的灰度信息构造矩阵g,对矩阵g进行随机数测量,测量后矩阵g的元素值为0或1,将该矩阵元素按从右到左从下到上的顺序排列,根据排列得到的序列定义该像素的测量算子P(x,y);
S13:量子测量算子P(x,y)作用于叠加态结构元素SEg(x,y),得到自适应可用的结构元素B(x,y);在此结构元素B(x,y)的基础上,用形态学梯度边缘检测算子检测边缘;
S2:采用NMS细化算法与形态学细化相结合的方式对图像进行边缘细化;
S3:采用量子概率方法对图像进行边缘连接:
S31:先用NMS算法细化边缘图像G,然后进行图像二值化,再进行形态学细化;
S32:提取边缘端点,考虑边缘点的八个邻域,假设边缘的方向有水平、垂直、左下到右上、右下到左上四个方向,则如果该边缘点在某个方向上只有两个像素是边缘点,则定义该边缘点为端点;
S33:扫描端点图像d,找到一个中心点p;
S34:搜索p的5×5邻域,找到另一个端点p1,根据p的M(M<8)个角度信息和p1的N(N<8)个角度信息,将p和p1是否连接的状态表达为融合量子态的形式;
S35:计算p和p1被连接的概率幅产生在[0,1]间均匀分布的随机数,如果使p和p1连接,更新被连接点的角度信息,在更新被连接点的角度信息后进行判断:如果p的5×5邻域中还有端点未被搜索,转到S33开始进行重新搜索,如果端点图像d还未扫描结束,则转到S32进行重新扫描端点处理,连接结束后进行形态学细化,完成图像的边缘检测。
所述叠加态结构元素矩阵SEg(x,y)为
其中,表示张量积,fi表示邻域中位置i(i=1...n)处的灰度值。
S12中:构造像素的测量算子P(x,y)具体方式如下:
令每个像素对应大小为n的矩阵g,其中g的元素(i=1...n),通过对gi进行随机数测量,产生n个[0.5,1]之间的随机数ri(i=1,2,…,n),如果ri>gi,取gi=0;如果ri≤gi,取gi=1,最终矩阵g的元素值为0或1,将该矩阵元素按从右到左从下到上的顺序排列,得g1g2…gi…gn,定义图像在(x,y)处的测量算子为
P(x,y)=|g1g2…gi…gn><g1g2…gi…gn|。
S13中:将量子测量算子P(x,y)作用于叠加态结构元素SEg(x,y),得到自适应可用的结构元素B(x,y)采用如下方式:
将B(x,y)重新排列得结构元素
在自适应可用的结构元素B(x,y)的基础上,用形态学梯度边缘检测算子检测边缘。该算子表示为
其中,f为噪声污染图像,B(x,y)为结构元素,G为检测出的边缘图像,表示形态学膨胀运算,Θ表示形态学腐蚀运算。
所述S33中:p和p1的连接状态表达为融合量子态的形式为
其中:|0>表示p和p1处于未连接状态,|1>表示连接状态,和是基态|0>和|1>的概率幅度,其中
上式中,θ2是从p到p1的角度矢量。那么根据p点的所有M个角度信息和p1的所有N个角度信息端点p到p1的连接状态可以用如下量子态表示:
其中,表示张量积,只有第2M×N-1个基态|111...1>表示端点p和p1处于连接状态,对应的概率幅为
由于采用了上述技术方案,本发明提供的一种基于量子理论的形态学图像边缘检测方法,该方案提出的量子形态学边缘检测算法对噪声图像进行边缘检测时,即使噪声强度较大,仍能有效提取边缘。该方案提出的基于量子概率的边缘连接算法能有效提高边缘的连续性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于量子理论的形态学图像边缘检测方法的流程图。
图2为对图像进行边缘细化的方法示意图;
图3为对图像进行提取边缘端点的方法示意图;
图4为采用量子概率方法对图像进行边缘连接示意图;
图5为基于均方差测量算子的量子衍生形态学图像边缘检测方法的图像处理结果;
图6为本发明公开的方法的图像边缘检测结果示意图;
图7为基于量子概率的边缘连接算法能有效提高边缘的连续性的示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
如图1所示的基于量子理论的形态学图像边缘检测方法,包括以下步骤:
S1:基于量子理论的形态学边缘检测:
S11:将灰度图像f(x,y)标准化到区间[0,1],确定一个中心像素,根据该像素的大小为n的邻域灰度信息定义一个叠加态结构元素矩阵SEg(x,y);
S12:根据中心像素邻域的灰度信息构造矩阵g,对矩阵g进行随机数测量,测量后矩阵g的元素值为0或1,将该矩阵元素按从右到左从下到上的顺序排列,根据排列得到的序列定义该像素的测量算子P(x,y);
S13:量子测量算子P(x,y)作用于叠加态结构元素SEg(x,y),得到自适应可用的结构元素B(x,y);在此结构元素B(x,y)的基础上,用形态学梯度边缘检测算子检测边缘。
S2:采用NMS细化算法与形态学细化相结合的方式对图像进行边缘细化。
采用NMS细化算法[5]与形态学细化[6]相结合。
NMS算法基于中心像素点的8邻域信息,如果边缘图像G(i,j)至少满足下列条件之一:
(1)G(i-1,j-1)+G(i-1,j)+G(i-1,j+1)<G(i,j-1)+G(i,j)+G(i,j+1)>G(i+1,j-1)+G(i+1,j)+G(i+1,j+1)
(2)G(i-1,j-1)+G(i-1,j)+G(i,j-1)<G(i,j)+G(i-1,j+1)+G(i+1,j-1)>G(i,j+1)+G(i+1,j)+G(i+1,j+1)
(3)G(i-1,j-1)+G(i,j-1)+G(i+1,j-1)<G(i,j)+G(i-1,j)+G(i+1,j)>G(i,j+1)+G(i-1,j+1)+G(i+1,j+1)
(4)G(i,j-1)+G(i-1,j+1)+G(i+1,j)<G(i,j)+G(i-1,j-1)+G(i+1,j+1)>G(i+1,j)+G(i,j+1)+G(i+1,j+1)
G(i,j)值不变,否则,
G(i,j)=min{G(i-1,j-1),G(i-1,j),...,G(i+1,j-1),G(i+1,j+1)}
形态学细化的基本思路:假设某图像的一个3×3的区域,对其中各点标记名称P1,P2,...,P8,如图2所示。规定1表示白色,0表示黑色,则如果中心像素点P1=1(白点),下面四个条件同时满足,就删除P1(令P1=0):
(1)2≤NZ(P1)≤6;
(2)Z0(P1)=1;
(3)P2*P4*P8=0或者Z0(P1)≠1;
(4)P2*P4*P6=0或者Z0(P4)≠1;
其中的标记NZ(P1)表示P1点的8邻域中1的数目;而Z0(P1)可按照如下方式计算:
(1)令nCount=0;
(2)如果P2=0并且P3=1,nCount=nCount+1;
(3)如果P3=0并且P4=1,nCount=nCount+1;
(4)如果P4=0并且P5=1,nCount=nCount+1;
(5)如果P5=0并且P6=1,nCount=nCount+1;
(6)如果P6=0并且P7=1,nCount=nCount+1;
(7)如果P7=1并且P8=1,nCount=nCount+1;
(8)如果P8=0并且P9=1,nCount=nCount+1;
(9)如果P9=0并且P2=1,nCount=nCount+1;
(10)Z0(P1)=nCount
S3:采用量子概率方法对图像进行边缘连接:
S31:先用NMS算法细化边缘图像G,然后进行图像二值化,再进行形态学细化;
S32:提取边缘端点,设计边缘点的八个邻域,假设边缘的方向有水平、垂直、左下到右上、右下到左上四个方向,则如果该边缘点在某个方向上只有两个像素是边缘点,则定义该边缘点为端点;
如图3所示:提取边缘端点,提取端点前,要对边缘点(g(i,j)=1)的8个方位信息进行统计,统计结果放入大小为8的矩阵sign[],统计规则为
①sign[]初始化为0。
②如果g(i+1,j)=1,则sign[1]=1,表示0°;如果g(i+1,j-1)=1,则sign[2]=1,表示45°。如果g(i,j-1)=1,则sign[3]=1,表示90°;如果g(i-1,j-1)=1,则sign[4]=1,表示135°,如果g(i-1,j)=1,则sign[5]=1,represents 180°;如果g(i-1,j+1)=1,则sign[6]=1,表示225°。如果g(i,j+1)=1,则sign[7]=1,表示270°;如果g(i+1,j+1)=1,则sign[8]=1,表示315°。
③如果sign[i]+sign[i+4]=2(i=1,2,...,4),则sign[i]=sign[i+4]=0;
如果成立,则边缘点(i,j)叫做端点。提取端点结束后,端点图像存储为d。
S33:扫描端点图像d,找到一个中心点p;
S34:搜索p的5×5邻域,找到另一个端点p1,根据p的M(M<8)个角度信息和p1的N(N<8)个角度信息,将p和p1是否连接的状态表达为融合量子态的形式;
S35:计算p和p1被连接的概率幅产生在[0,1]间均匀分布的随机数,如果使p和p1连接,更新被连接点的角度信息,在更新被连接点的角度信息后进行判断:如果p的5×5邻域中还有端点未被搜索,转到S34开始进行重新搜索,如果端点图像d还未扫描结束,则转到S32进行重新扫描端点处理,连接结束后进行形态学细化,完成图像的边缘检测。
进一步的,所述叠加态结构元素矩阵SEg(x,y)为
其中,表示张量积,fi表示邻域中位置i(i=1...n)处的灰度值。
进一步的,S12中:构造像素的测量算子P(x,y)具体方式如下:
令每个像素对应大小为n的矩阵g,其中g的元素通过对gi进行随机数测量,产生n个[0.5,1]之间的随机数ri(i=1,2,…,n),如果ri>gi,取gi=0;如果ri≤gi,取gi=1,最终矩阵g的元素值为0或1,将该矩阵元素按从右到左从下到上的顺序排列,得g1g2…gi…gn,定义图像在(x,y)处的测量算子为
P(x,y)=|g1g2…gi…gn><g1g2…gi…gn|
S13中:将量子测量算子P(x,y)作用于叠加态结构元素SEg(x,y),得到自适应可用的结构元素B(x,y)采用如下方式:
将B(x,y)重新排列得结构元素
在自适应可用的结构元素B(x,y)的基础上,用形态学梯度边缘检测算子检测边缘。该算子表示为
其中,f为噪声污染图像,B(x,y)为结构元素,G为检测出的边缘图像,表示形态学膨胀运算,Θ表示形态学腐蚀运算。
所述S34中:p和p1的连接状态表达为融合量子态的形式为
其中:|0>表示p和p1处于未连接状态,|1>表示连接状态,和是基态|0>和|1>的概率幅度,其中
上式中,θ2是从p到p1的角度矢量。如图4所示那么根据p点的所有M个角度信息和p1的所有N个角度信息端点p的连接状态可以用如下量子态表示:
其中,表示张量积,只有第2M×N-1个基态|111...1>表示端点p和p1处于连接状态,对应的概率幅为
本发明技术方案带来的有益效果:
(1)该方案提出的量子形态学边缘检测算法对噪声图像进行边缘检测时,即使噪声强度较大,仍能有效提取边缘,如图5为基于均方差测量算子的量子衍生形态学图像边缘检测方法对图像进行处理的示意图:图5(a)1%噪声;图5(b)5%噪声;图5(c)10%噪声;图5(d)20%噪声;图5(e)50%噪声。图6为采用本发明公开的方法对图像进行处理的示意图。图6(a)1%噪声;图6(b)5%噪声;图6(c)10%噪声;图6(d)20%噪声;图6(e)50%噪声
该方案提出的基于量子概率的边缘连接算法能有效提高边缘的连续性,如图7所示。其中图7(a)是原图,图7(b)是噪声强度0.5的边缘的图像,图6(c)是边缘连接后的图像。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
参考文献(如专利/论文/标准)
[1]Hou Qizhen,Zhang GuoLong.On image edge detection method.IEEEInternational Conference on Control and Engineering(ICECE).2011,Pages:262-265
[2]Srivastava G K,Verma R,Mahrishi R,Rajesh S.A novel wavelet edgedetection algorithm for noisy images.IEEE International Conference on UltraModern Telecommunications(ICUMT).2009:1-8.
[3]Lee W Y,Kim Y W,Kim S Y,et al.Edge detection based onmorphological amoebas.The Imaging Science Journal,2012,60(3):172-183
[4]谢可夫.量子衍生图像处理方法的研究.中南大学,2007,45-50.
[5]B.Chanda,M.K.Kundu,Y.V.Padmaja.A multi-scale morphologic edgedetector,Pattern Recognition,1998,31(10):1469-1478.
[6]张铮,王艳平,薛桂香.数字图像处理与机器视觉.北京:人民邮电出版社,2010.
Claims (5)
1.一种基于量子理论的形态学图像边缘检测方法,其特征在于:包括以下步骤:
S1:基于量子理论的形态学边缘检测:
S11:将灰度图像f(x,y)标准化到区间[0,1],确定一个中心像素,根据该像素的大小为n的邻域灰度信息定义一个叠加态结构元素矩阵SEg(x,y);
S12:根据中心像素邻域的灰度信息构造矩阵g,对矩阵g进行随机数测量,测量后矩阵g的元素值为0或1,将该矩阵元素按从右到左从下到上的顺序排列,根据排列得到的序列定义该像素的测量算子P(x,y);
S13:量子测量算子P(x,y)作用于叠加态结构元素SEg(x,y),得到自适应可用的结构元素B(x,y);在此结构元素B(x,y)的基础上,用形态学梯度边缘检测算子检测边缘;
S2:采用NMS细化算法与形态学细化相结合的方式对图像进行边缘细化;
S21:先用NMS算法细化边缘图像G,然后进行图像二值化,再进行形态学细化;
S3:采用量子概率方法对图像进行边缘连接
S31:提取边缘端点,考虑边缘点的八个邻域,假设边缘的方向有水平、垂直、左下到右上、右下到左上四个方向,则如果该边缘点在某个方向上只有两个像素是边缘点,则定义该边缘点为端点;
S32:扫描端点图像d,找到一个中心点p;
S33:搜索p的5×5邻域,找到另一个端点p1,根据p的M个角度信息和p1的N个角度信息,将p和p1是否连接的状态表达为融合量子态的形式;
S34:计算p和p1被连接的概率幅产生在[0,1]间均匀分布的随机数,如果使p和p1连接,更新被连接点的角度信息,在更新被连接点的角度信息后进行判断:如果p的5×5邻域中还有端点未被搜索,转到S33开始进行重新搜索,如果端点图像d还未扫描结束,则转到S32进行重新扫描端点处理,连接结束后对图像d进行形态学细化,完成图像的边缘检测。
2.根据权利要求1所述的一种基于量子理论的形态学图像边缘检测方法,其特征还在于:所述叠加态结构元素矩阵SEg(x,y)为
其中,表示张量积,fi表示中心像素邻域中位置i=1...n处的灰度值标准化后的值。
3.根据权利要求1所述的一种基于量子理论的形态学图像边缘检测方法,其特征还在于:S12中:构造像素的测量算子P(x,y)具体方式如下:
令每个像素对应大小为n的矩阵g,其中g的元素 通过对gi进行随机数测量,产生n个[0.5,1]之间的随机数ri,i=1,2,…,n,如果ri>gi,取gi=0;如果ri≤gi,取gi=1,最终矩阵g的元素值为0或1,将该矩阵元素按从右到左从下到上的顺序排列,得g1g2…gi…gn,定义图像在(x,y)处的测量算子为
P(x,y)=|g1g2…gi…gn><g1g2…gi…gn|。
4.根据权利要求1所述的一种基于量子理论的形态学图像边缘检测方法,其特征还在于:S13中:将量子测量算子P(x,y)作用于叠加态结构元素SEg(x,y),得到自适应可用的结构元素B(x,y)采用如下方式:
将B(x,y)重新排列得结构元素
在自适应可用的结构元素B(x,y)的基础上,用形态学梯度边缘检测算子检测边缘,该算子表示为
其中,f为噪声污染图像,B(x,y)为结构元素,G为检测出的边缘图像,表示形态学膨胀运算,Θ表示形态学腐蚀运算。
5.根据权利要求1所述的一种基于量子理论的形态学图像边缘检测方法,其特征还在于:所述S33中:p和p1的连接状态表达为融合量子态的形式为
其中:|0>表示p和p1处于未连接状态,|1>表示连接状态,和是基态|0>和|1>的概率幅度,其中
上式中,θ2是从p到p1的角度矢量,那么根据p点的所有M个角度信息和p1的所有N个角度信息端点p到p1的连接状态可以用如下量子态表示:
其中,表示张量积,只有第2M×N-1个基态|111...1>表示端点p和p1处于连接状态,对应的概率幅为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510200901.XA CN104778710B (zh) | 2015-04-24 | 2015-04-24 | 一种基于量子理论的形态学图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510200901.XA CN104778710B (zh) | 2015-04-24 | 2015-04-24 | 一种基于量子理论的形态学图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778710A CN104778710A (zh) | 2015-07-15 |
CN104778710B true CN104778710B (zh) | 2018-01-09 |
Family
ID=53620156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510200901.XA Expired - Fee Related CN104778710B (zh) | 2015-04-24 | 2015-04-24 | 一种基于量子理论的形态学图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778710B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106663317B (zh) * | 2016-09-21 | 2020-06-26 | 深圳市汇顶科技股份有限公司 | 数字图像的形态学处理方法和数字图像处理装置 |
CN107169982A (zh) * | 2017-05-17 | 2017-09-15 | 重庆邮电大学 | 一种量子LoG边缘检测方法 |
CN107392930B (zh) * | 2017-08-07 | 2020-09-01 | 重庆邮电大学 | 一种量子Canny边缘检测方法 |
CN108335312B (zh) * | 2018-01-23 | 2021-10-08 | 华东交通大学 | 灰度图像的量子形态学梯度算法的设计与实现方法 |
CN108198196B (zh) * | 2018-01-23 | 2021-10-08 | 华东交通大学 | 基于Sobel算子的量子图像边缘检测的设计与实现方法 |
CN109087288B (zh) * | 2018-07-20 | 2021-11-23 | 四川理工学院 | 一种炭黑在橡胶中分散性的测量方法 |
CN110189300B (zh) * | 2019-04-22 | 2021-03-09 | 中国科学院微电子研究所 | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 |
CN110569711B (zh) * | 2019-07-19 | 2022-07-15 | 沈阳工业大学 | 面向人体动作识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030032355A (ko) * | 2001-10-17 | 2003-04-26 | 이호석 | 움직임 객체 에지를 이용한 브이오피 추출방법 |
CN101930597A (zh) * | 2010-08-10 | 2010-12-29 | 浙江大学 | 一种基于数学形态学的图像边缘检测方法 |
CN102521802A (zh) * | 2011-11-28 | 2012-06-27 | 广东省科学院自动化工程研制中心 | 一种数学形态学和LoG算子结合的边缘检测算法 |
-
2015
- 2015-04-24 CN CN201510200901.XA patent/CN104778710B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030032355A (ko) * | 2001-10-17 | 2003-04-26 | 이호석 | 움직임 객체 에지를 이용한 브이오피 추출방법 |
CN101930597A (zh) * | 2010-08-10 | 2010-12-29 | 浙江大学 | 一种基于数学形态学的图像边缘检测方法 |
CN102521802A (zh) * | 2011-11-28 | 2012-06-27 | 广东省科学院自动化工程研制中心 | 一种数学形态学和LoG算子结合的边缘检测算法 |
Non-Patent Citations (2)
Title |
---|
量子启发的形态学图像处理研究;刘清;《井冈山大学学报(自然科学版)》;20111130;第32卷(第4期);全文 * |
量子衍生形态学图像边缘检测方法;谢可夫等;《计算机工程与应用》;20071231;第43卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104778710A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778710B (zh) | 一种基于量子理论的形态学图像边缘检测方法 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
CN108830832B (zh) | 一种基于机器视觉的塑料筒表面缺陷检测方法 | |
Xuan et al. | An improved canny edge detection algorithm | |
Chudasama et al. | Image segmentation using morphological operations | |
CN107067382A (zh) | 一种改进的图像边缘检测方法 | |
CN109427066A (zh) | 任意角度的边缘检测方法 | |
CN109410230A (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN105787902B (zh) | 利用分块排序检测噪声的图像降噪方法 | |
WO2020042866A1 (zh) | 线段检测方法、装置、设备和计算机可读存储介质 | |
CN103984961A (zh) | 一种用于检测车底异物的图像检测方法 | |
CN104462380A (zh) | 商标检索方法 | |
CN102521836A (zh) | 一种基于特定类灰度图像的边缘检测方法 | |
CN110349207A (zh) | 一种复杂环境下的视觉定位方法 | |
CN106504244A (zh) | 一种基于Retinex与小波尺度积的矿井图像边缘检测算法 | |
CN104537663B (zh) | 一种图像抖动的快速校正方法 | |
CN110298344A (zh) | 一种基于机器视觉的仪表旋钮定位与检测方法 | |
Zhang et al. | Edge detection based on improved sobel operator | |
CN102663706A (zh) | 基于菱形模板的自适应加权均值滤波方法 | |
Ma et al. | Artificial object edge detection based on enhanced Canny algorithm for high-speed railway apparatus identification | |
CN107862689A (zh) | 皮革表面明显破损自动识别方法及计算机可读存储介质 | |
CN104537632A (zh) | 基于边缘提取的红外图像直方图增强方法 | |
CN104966296B (zh) | 滑窗N‑Smoothlets图像边缘检测方法 | |
Rana et al. | Comparison and enhancement of digital image by using canny filter and sobel filter | |
Kumar et al. | Image segmentation using discontinuity-based approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180109 |
|
CF01 | Termination of patent right due to non-payment of annual fee |