CN108198197A - 一种基于粒子群算法的图像边缘检测方法及系统 - Google Patents
一种基于粒子群算法的图像边缘检测方法及系统 Download PDFInfo
- Publication number
- CN108198197A CN108198197A CN201810076041.7A CN201810076041A CN108198197A CN 108198197 A CN108198197 A CN 108198197A CN 201810076041 A CN201810076041 A CN 201810076041A CN 108198197 A CN108198197 A CN 108198197A
- Authority
- CN
- China
- Prior art keywords
- particle
- gray threshold
- gray
- image
- cluster algorithm
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于粒子群算法的图像边缘检测方法及系统,涉及图像处理技术领域,所述基于粒子群算法的图像边缘检测方法包括:利用粒子群算法求解图像边缘检测的最优灰度阈值;根据所述最优灰度阈值对所述图像进行边缘检测。本发明提供的方法能够从全局并发求解灰度阈值,准确高效,适应性好。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于粒子群算法的图像边缘检测方法及系统。
背景技术
随着计算机技术的飞跃发展,人们越来越多的利用计算机来帮助人类获取和处理视觉图像信息。据统计,在人类从外界获取的信息中有80%是来自于视觉,这包括图像、图形、视频等。他是人们最有效的信息获取和交流方式,图像也因其所含的信息量大、表现直观而在多媒体处理技术中占有非常重要的位置。
边缘检测在图象处理中具有重要的意义,它是模式识别和图像理解系统的前处理阶段,是影响整个系统性能的一个关键因素。经典的边缘检测方法大多基于原始图像像素附近的数值导数,如梯度算子、拉普拉斯算子及拉普拉斯-高斯算子等。这些算子虽然非常简单方便,但是他们只适用于检测有限类型的边缘,并且对噪声很敏感,容易产生断裂的边缘。找到与图像中目标的实际边界线相对应的真实边缘,一直是图象处理领域里的一个难题,人们在这方面做了大量的研究,不断提出新的方法和算子。
例如公开号为CN 103150735A的专利,公开了一种基于灰度差值平均的图像边缘检测方法,该方法包括:步骤(1)开始,读取图像;步骤(2)设定灰度阈值;步骤(3)图像转换为灰度图像;步骤(4)图像滤波;步骤(5)读取图像地址;步骤(6)计算灰度差值绝对平均值;步骤(7)判断灰度差值绝对平均值是否大于阈值,如果是就设定灰度值为255,并进入步骤(8);如果不是就设定灰度值为0,进入步骤(8);步骤(8)判断图像是否处理完,如果是就进行边缘提取,输出图像边缘;如果不是就将图像地址加一后返回步骤(5)。通过灰度阈值将图像转化为灰度图像,该方法的实现效果依赖于灰度阈值,而该方法并没有提及。
基于灰度梯度算子的边缘检测技术需要基于先验知识来确定图像的灰度阈值,然而经验知识往往是基于以往的经验总结出来的,并不能很好地适应不同的情况,其处理结果很大程度上依赖预设的灰度阈值。另外,该技术在实际应用过程中实现较为复杂,运算量较大,因此基于灰度梯度算子的边缘检测技术自适应性和效率往往不尽人意。
发明内容
本发明所要解决的技术问题在于,在现有技术中,基于灰度梯度算子的图像边缘检测方法适应性不好,运算量较大,实现过程较为复杂,难以针对需要检测的图像确定最优灰度阈值。
针对现有技术的上述不足,本发明提出一种基于粒子群算法的图像边缘检测方法及系统。
所述基于粒子群算法的图像边缘检测方法包括:
利用粒子群算法求解图像边缘检测的最优灰度阈值;根据所述最优灰度阈值对所述图像进行边缘检测。
其中,在求解时,粒子群算法每次迭代的惯性权重的调整公式为:
式中,ω为调整后的惯性权重,tmax为预设的迭代次数,t为当前的迭代次数,ωmax为预设的最大惯性权重值,ωmin为预设的最小惯性权重值。
进一步地,所述利用粒子群算法求解图像边缘检测的最优灰度阈值包括:
S21,设定粒子群算法的参数,以对所述图像应用粒子群算法,获取所述图像边缘检测的最优灰度阈值;
S22,调整粒子群算法的惯性权重;
S23,计算每个粒子的适应度;
S24,根据所述适应度,更新各个粒子的局部最优灰度阈值和粒子群的全局最优灰度阈值;
S25,根据所述惯性权重,更新每个粒子的速度和位置;
S26,检测粒子群算法当前的迭代次数是否到达预设的迭代次数;若没有,返回步骤S22,若达到,确定最优灰度阈值。
进一步地,在步骤S23中,所述适应度的计算公式为:
f(t)=w1(t)×w2(t)×(u1(t)-u2(t))2
式中,t为粒子找到的灰度阈值,w1(t)为图像中灰度值小于灰度阈值t的像素的个数,w2(t)为图像中灰度值大于灰度阈值t的像素的个数,u1(t)为图像中的灰度值小于灰度阈值t的像素的平均灰度值,u2(t)为图像中灰度值大于灰度阈值t的像素的平均灰度值。
进一步地,在步骤S25中,粒子的速度的更新公式为:
式中,r1和r2是[0,1]区间的随机数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优灰度阈值;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优灰度阈值;Vi=(vi1,vi2,…,viD)T为第i个粒子的速度;d取值范围为[1,D],D为边缘个数;k为迭代次数;c1、c2为加速系数。
另一方面,所述基于粒子群算法的图像边缘检测系统包括:
最优灰度阈值求解模块,用于利用粒子群算法求解图像边缘检测的最优灰度阈值;其中,在求解时,粒子群算法每次迭代的惯性权重的调整公式为:
式中,ω为调整后的惯性权重,tmax为预设的迭代次数,t为当前的迭代次数,ωmax为预设的最大惯性权重值,ωmin为预设的最小惯性权重值。
边缘检测模块,用于根据所述最优灰度阈值对所述图像进行边缘检测。
进一步地,所述最优灰度阈值求解模块包括:
参数设定子模块,用于设定粒子群算法的参数,以对所述图像应用粒子群算法,获取所述图像边缘检测的最优灰度阈值;
惯性权重调整子模块,用于调整粒子群算法的惯性权重;
适应度计算子模块,用于计算每个粒子的适应度;
灰度阈值更新子模块,用于根据所述适应度,更新各个粒子的局部最优灰度阈值和粒子群的全局最优灰度阈值;
粒子更新子模块,用于根据所述惯性权重,更新每个粒子的速度和位置;
检测子模块,用于检测粒子群算法当前的迭代次数是否到达预设的迭代次数;若没有,返回调用惯性权重调整子模块,若达到,确定最优灰度阈值。
进一步地,所述适应度的计算公式为:
f(t)=w1(t)×w2(t)×(u1(t)-u2(t))2
式中,t为粒子找到的灰度阈值,w1(t)为图像中灰度值小于灰度阈值t的像素的个数,w2(t)为图像中灰度值大于灰度阈值t的像素的个数,u1(t)为图像中的灰度值小于灰度阈值t的像素的平均灰度值,u2(t)为图像中灰度值大于灰度阈值t的像素的平均灰度值。
进一步地,粒子的速度的更新公式为:
式中,r1和r2是[0,1]区间的随机数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优灰度阈值;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优灰度阈值;Vi=(vi1,vi2,…,viD)T为第i个粒子的速度;d取值范围为[1,D],D为边缘个数;k为迭代次数;c1、c2为加速系数。
本发明通过粒子群算法,可为边缘检测的图像确定最优的灰度阈值,进而根据所述灰度阈值进行边缘检测,能够适用于不同的图像,适应性好,准确度高,具备较高的鲁棒性。本发明通过在每次迭代中,改进了粒子群算法的惯性权重的调节公式,有效的避免了粒子群算法在求解最优灰度阈值时陷入局部最优解的情况,不仅能够获取较优的边缘检测效果,而且具有较高的效率。
附图说明
图1是本发明实施例一提供的一种基于粒子群算法的图像边缘检测方法的流程图;
图1A是本发明实施例一中粒子群算法的惯性权重调节曲线图;
图2是本发明实施例二提供的一种基于粒子群算法的图像边缘检测方法的流程图;
图3是本发明实施例三提供的一种基于粒子群算法的图像边缘检测系统的结构框图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
还应当理解,此处所描述的具体实施例仅仅用于理解本发明,并不用于限定本发明。
实施例一
本实施例提供基于粒子群算法的图像边缘检测方法,其流程图如图1所示,详述如下:
步骤S101,利用粒子群算法求解图像边缘检测的最优灰度阈值。
在求解时,粒子群算法每次迭代的惯性权重的调整公式为:
式中,ω为调整后的惯性权重,tmax为预设的迭代次数,t为当前的迭代次数,ωmax为预设的最大惯性权重值,ωmin为预设的最小惯性权重值。
将粒子群算法应用于图像边缘检测,以获取所述图像边缘检测的最优灰度阈值。
在应用粒子群算法时,为了平衡粒子的全局和局部搜寻能力,引入了惯性权重ω到粒子群算法中,且ω随迭迭代次数增加而减小。当ω较大时,算法倾向于全局搜索,具有较强的全局搜寻能力;而当ω较小时,算法倾向于局部搜索,有助于提升解的精度。
进一步地,使惯性权重ω逐步减小可使搜索范围快速收敛于某一全局最优区域,然后在该区域中进行更加精细的搜寻以获得精度较高的解。这在很大程度上降低了算法陷入局部最优解的可能性。
所以,通过使粒子群算法的惯性权重随着迭代次数的增加而逐步减小,以获得较为准确的最优灰度阈值,避免整个算法陷入局部最优解的情况。
图1A为粒子群算法的惯性权重调节曲线图,对应于上述惯性权重的调整公式;如图所示,随着迭代次数t的增加,惯性权重ω逐步的减小;在粒子群算法求解时,迭代的初期,惯性权重ω保持在最大值附近,粒子群算法保持较强的全局搜寻能力,可有效的避免整个粒子群算法陷入局部最优解,随着迭代次数的增加,将惯性权重ω减小,增强局部搜寻能力。
为了获取较优的检测效果,需要对惯性权重进行较为平缓的调节,这样做一方面是为了在调节初期阶段在全局范围内搜寻更优的局部区域,防止算法陷入局部最优解,另一方面是为了在调节后期阶段在较优的局部区域内进行更加精细的搜索,以便获取较优的检测效果。
实践证明,该惯性权重的调整公式在求解图像边缘检测的最优灰度阈值时,获得了较优的结果。使得粒子群算法的全局和局部搜寻能力得到了较好的平衡。克服了基本粒子群算法易于陷入局部最优解的缺陷。
步骤S102,根据所述最优灰度阈值对所述图像进行边缘检测。
根据粒子群算法求解的最优灰度阈值对所述图像进行边缘检测。
在本实施例中,通过在每次迭代中,优化地调节粒子群算法的惯性权重,不仅能够获取较优的边缘检测效果,而且具有较高的效率。
实施例二
本实施例提供基于粒子群算法的图像边缘检测方法,其流程图如图2所示,详述如下:
步骤S201,设定粒子群算法的参数,以对所述图像应用粒子群算法,获取所述图像边缘检测的最优灰度阈值。
所述粒子群算法的参数包括:种群的规模、粒子的长度、粒子的范围、最大粒子速度、惯性权重、压缩因子、加速系数、迭代次数。
根据实际情况,对上述参数进行设定,以便将粒子群算法应用于所述图像,以获取最优灰度阈值。
步骤S202,调整粒子群算法的惯性权重。
惯性权重的调节方式参看实施例一。
步骤S203,计算每个粒子的适应度。
粒子的适应度用于评价粒子搜寻的解的优劣。
所述适应度的计算公式为:
f(t)=w1(t)×w2(t)×(u1(t)-u2(t))2
式中,t为粒子找到的灰度阈值,w1(t)为图像中灰度值小于灰度阈值t的像素的个数,w2(t)为图像中灰度值大于灰度阈值t的像素的个数,u1(t)为图像中的灰度值小于灰度阈值t的像素的平均灰度值,u2(t)为图像中灰度值大于灰度阈值t的像素的平均灰度值。
通过函数值f(t)的大小来比较灰度阈值的好坏。进而获得各个粒子的局部最优灰度阈值和粒子群的全局最优灰度阈值。
步骤S204,根据所述适应度,更新各个粒子的局部最优灰度阈值和粒子群的全局最优灰度阈值。
首先,需要计算本次迭代搜寻到的灰度阈值的适应度的大小。
根据每个粒子本次迭代搜寻到的灰度阈值的适应度的大小,更新各个粒子的局部最优灰度阈值和粒子群的全局最优灰度阈值。
步骤S205,根据所述惯性权重,更新每个粒子的速度和位置。
每次迭代,粒子的运动同时受到局部最优灰度阈值和粒子群的全局最优灰度阈值的影响。
较大的惯性权重加强粒子群算法的全局搜寻能力,较小的惯性权重加强局部搜寻能力。
进一步地,粒子的速度的更新公式为:
式中,r1和r2是[0,1]区间的随机数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优灰度阈值;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优灰度阈值;Vi=(vi1,vi2,…,viD)T为第i个粒子的速度;d取值范围为[1,D],D为边缘个数;k为迭代次数;c1、c2为加速系数,ω为惯性权重。
其中,c1、c2可取2。
从该速度公式可知,粒子运行速度受到惯性权重ω的影响。
步骤S206,检测粒子群算法当前的迭代次数是否到达预设的迭代次数;若没有,返回步骤S202,若达到,确定最优灰度阈值。
粒子群算法预设的迭代次数在参数设置中设定,可设定为20-50之间的整数值。
步骤S207,根据所述最优灰度阈值对所述图像进行边缘检测。
进一步地,根据所述最优灰度阈值对所述图像进行边缘检测。
通过本实施例中的惯性权重调节公式,使得粒子群算法的全局和局部搜寻能力得到了较好的平衡。克服了基本粒子群算法易于陷入局部最优解的缺陷。
应当理解,上述的步骤并没有严格的执行顺序,所有可预见并且不影响功能的实现的变化都应该在本发明的保护范围内。
实施例三
本实施例提供基于粒子群算法的图像边缘检测系统,其结构框图如图3所示,详述如下:
所述基于粒子群算法的图像边缘检测系统包括:
最优灰度阈值求解模块31,用于利用粒子群算法求解图像边缘检测的最优灰度阈值;其中,在求解时,粒子群算法每次迭代的惯性权重的调整公式为:
式中,ω为调整后的惯性权重,tmax为预设的迭代次数,t为当前的迭代次数,ωmax为预设的最大惯性权重值,ωmin为预设的最小惯性权重值。
边缘检测模块32,用于根据所述最优灰度阈值对所述图像进行边缘检测。
进一步地,所述最优灰度阈值求解模块31包括:
参数设定子模块,用于设定粒子群算法的参数,以对所述图像应用粒子群算法,获取所述图像边缘检测的最优灰度阈值;
惯性权重调整子模块,用于调整粒子群算法的惯性权重;
适应度计算子模块,用于计算每个粒子的适应度;
灰度阈值更新子模块,用于根据所述适应度,更新各个粒子的局部最优灰度阈值和粒子群的全局最优灰度阈值;
粒子更新子模块,用于根据所述惯性权重,更新每个粒子的速度和位置;
检测子模块,用于检测粒子群算法当前的迭代次数是否到达预设的迭代次数;若没有,返回调用惯性权重调整子模块,若达到,确定最优灰度阈值。
进一步地,所述适应度的计算公式为:
f(t)=w1(t)×w2(t)×(u1(t)-u2(t))2
式中,t为粒子找到的灰度阈值,w1(t)为图像中灰度值小于灰度阈值t的像素的个数,w2(t)为图像中灰度值大于灰度阈值t的像素的个数,u1(t)为图像中的灰度值小于灰度阈值t的像素的平均灰度值,u2(t)为图像中灰度值大于灰度阈值t的像素的平均灰度值。
进一步地,粒子的速度的更新公式为:
式中,r1和r2是[0,1]区间的随机数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优灰度阈值;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优灰度阈值;Vi=(vi1,vi2,…,viD)T为第i个粒子的速度;d取值范围为[1,D],D为边缘个数;k为迭代次数;c1、c2为加速系数。
本实施例提供的基于粒子群算法的图像边缘检测系统应用于前述的方法实施例,相关的内容参看前述的方法实施例,这里不再赘述。
在本申请所提供的实施例中,应该理解所描述的方法和系统都是示意性的,在实际实施过程中通过调整可以有所差别。
另外,各功能单元或模块的具体名称也只是为了便于相互区分,并不用于本发明的保护范围。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于粒子群算法的图像边缘检测方法,其特征在于,包括:
利用粒子群算法求解图像边缘检测的最优灰度阈值;根据所述最优灰度阈值对所述图像进行边缘检测。
其中,在求解时,粒子群算法每次迭代的惯性权重的调整公式为:
式中,ω为调整后的惯性权重,tmax为预设的迭代次数,t为当前的迭代次数,ωmax为预设的最大惯性权重值,ωmin为预设的最小惯性权重值。
2.根据权利要求1所述的基于粒子群算法的图像边缘检测方法,其特征在于,所述利用粒子群算法求解图像边缘检测的最优灰度阈值包括:
S21,设定粒子群算法的参数,以对所述图像应用粒子群算法,获取所述图像边缘检测的最优灰度阈值;
S22,调整粒子群算法的惯性权重;
S23,计算每个粒子的适应度;
S24,根据所述适应度,更新各个粒子的局部最优灰度阈值和粒子群的全局最优灰度阈值;
S25,根据所述惯性权重,更新每个粒子的速度和位置;
S26,检测粒子群算法当前的迭代次数是否到达预设的迭代次数;若没有,返回步骤S22,若达到,确定最优灰度阈值。
3.根据权利要求2所述的基于粒子群算法的图像边缘检测方法,其特征在于,在步骤S23中,所述适应度的计算公式为:
f(t)=w1(t)×w2(t)×(u1(t)-u2(t))2
式中,t为粒子找到的灰度阈值,w1(t)为图像中灰度值小于灰度阈值t的像素的个数,w2(t)为图像中灰度值大于灰度阈值t的像素的个数,u1(t)为图像中的灰度值小于灰度阈值t的像素的平均灰度值,u2(t)为图像中灰度值大于灰度阈值t的像素的平均灰度值。
4.根据权利要求2所述的基于粒子群算法的图像边缘检测方法,其特征在于,在步骤S25中,粒子的速度的更新公式为:
式中,r1和r2是[0,1]区间的随机数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优灰度阈值;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优灰度阈值;Vi=(vi1,vi2,…,viD)T为第i个粒子的速度;d取值范围为[1,D],D为边缘个数;k为迭代次数;c1、c2为加速系数。
5.一种基于粒子群算法的图像边缘检测系统,其特征在于,包括:
最优灰度阈值求解模块,用于利用粒子群算法求解图像边缘检测的最优灰度阈值;其中,在求解时,粒子群算法每次迭代的惯性权重的调整公式为:
式中,ω为调整后的惯性权重,tmax为预设的迭代次数,t为当前的迭代次数,ωmax为预设的最大惯性权重值,ωmin为预设的最小惯性权重值。
边缘检测模块,用于根据所述最优灰度阈值对所述图像进行边缘检测。
6.根据权利要求5所述的基于粒子群算法的图像边缘检测系统,其特征在于,所述最优灰度阈值求解模块包括:
参数设定子模块,用于设定粒子群算法的参数,以对所述图像应用粒子群算法,获取所述图像边缘检测的最优灰度阈值;
惯性权重调整子模块,用于调整粒子群算法的惯性权重;
适应度计算子模块,用于计算每个粒子的适应度;
灰度阈值更新子模块,用于根据所述适应度,更新各个粒子的局部最优灰度阈值和粒子群的全局最优灰度阈值;
粒子更新子模块,用于根据所述惯性权重,更新每个粒子的速度和位置;
检测子模块,用于检测粒子群算法当前的迭代次数是否到达预设的迭代次数;若没有,返回调用惯性权重调整子模块,若达到,确定最优灰度阈值。
7.根据权利要求6所述的基于粒子群算法的图像边缘检测系统,其特征在于,所述适应度的计算公式为:
f(t)=w1(t)×w2(t)×(u1(t)-u2(t))2
式中,t为粒子找到的灰度阈值,w1(t)为图像中灰度值小于灰度阈值t的像素的个数,w2(t)为图像中灰度值大于灰度阈值t的像素的个数,u1(t)为图像中的灰度值小于灰度阈值t的像素的平均灰度值,u2(t)为图像中灰度值大于灰度阈值t的像素的平均灰度值。
8.根据权利要求6所述的基于粒子群算法的图像边缘检测系统,其特征在于,粒子的速度的更新公式为:
式中,r1和r2是[0,1]区间的随机数;Pi=(pi1,pi2,…,piD)T为当前第i个粒子搜寻到的最优灰度阈值;Pg=(pg1,pg2,…,pgD)T为当前整个粒子群所搜寻到的最优灰度阈值;Vi=(vi1,vi2,…,viD)T为第i个粒子的速度;d取值范围为[1,D],D为边缘个数;k为迭代次数;c1、c2为加速系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810076041.7A CN108198197A (zh) | 2018-01-26 | 2018-01-26 | 一种基于粒子群算法的图像边缘检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810076041.7A CN108198197A (zh) | 2018-01-26 | 2018-01-26 | 一种基于粒子群算法的图像边缘检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108198197A true CN108198197A (zh) | 2018-06-22 |
Family
ID=62590847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810076041.7A Pending CN108198197A (zh) | 2018-01-26 | 2018-01-26 | 一种基于粒子群算法的图像边缘检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198197A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8515126B1 (en) * | 2007-05-03 | 2013-08-20 | Hrl Laboratories, Llc | Multi-stage method for object detection using cognitive swarms and system for automated response to detected objects |
CN107392919A (zh) * | 2017-06-29 | 2017-11-24 | 上海斐讯数据通信技术有限公司 | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 |
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
-
2018
- 2018-01-26 CN CN201810076041.7A patent/CN108198197A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8515126B1 (en) * | 2007-05-03 | 2013-08-20 | Hrl Laboratories, Llc | Multi-stage method for object detection using cognitive swarms and system for automated response to detected objects |
CN107392919A (zh) * | 2017-06-29 | 2017-11-24 | 上海斐讯数据通信技术有限公司 | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 |
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
Non-Patent Citations (1)
Title |
---|
王洪涛: "基于改进粒子群算法的图像边缘检测研究", 《液晶与显示》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN102780889B (zh) | 视频图像处理方法、装置及设备 | |
CN106131414A (zh) | 动态调整拍摄帧率的方法和系统 | |
CN104794727B (zh) | 一种基于对称性的单透镜计算成像psf快速标定方法 | |
CN111598918B (zh) | 一种基于参考帧优选和前后景分离的视频稳像运动估计方法 | |
CN101877130A (zh) | 复杂场景下基于粒子滤波器的运动目标跟踪方法 | |
CN102208101A (zh) | 一种红外图像的自适应线性变换增强方法 | |
CN110400274B (zh) | 一种车载红外行人检测用红外图像增强方法 | |
CN101339661A (zh) | 一种基于手持设备运动检测的实时人机交互方法和系统 | |
CN107993189A (zh) | 一种基于局部分块的图像色调动态调节方法和装置 | |
CN109934843A (zh) | 一种实时的轮廓精细化抠像方法及存储介质 | |
CN106412441A (zh) | 一种视频防抖控制方法以及终端 | |
CN108053413A (zh) | 一种基于粒子群算法的图像边缘检测方法及系统 | |
CN102045513B (zh) | 图像噪声滤除方法 | |
CN108198197A (zh) | 一种基于粒子群算法的图像边缘检测方法及系统 | |
Kim et al. | Memory-efficient architecture for contrast enhancement and integral image computation | |
CN104915933B (zh) | 一种基于apso-bp耦合算法的雾天图像增强方法 | |
CN108564593A (zh) | 一种基于变异型粒子群算法的图像分割方法及系统 | |
Zhang et al. | A novel image segmentation method combined Otsu and improved PSO | |
CN101764908A (zh) | 一种有效去除灰度图像中噪点的方法 | |
CN108596926A (zh) | 基于交叉型粒子群算法的灰度阈值获取、图像边缘检测方法 | |
CN105530406A (zh) | 一种基于历史帧图像统计值的智能增强方法 | |
CN112995525A (zh) | 自行走设备的摄像曝光方法和装置 | |
CN107154053A (zh) | 静态背景下的运动目标检测方法 | |
Lai et al. | Research on pedestrian detection using optimized mask R-CNN algorithm in low-light road environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180622 |