CN109410230B - 一种可抗噪声的改进Canny图像边缘检测方法 - Google Patents

一种可抗噪声的改进Canny图像边缘检测方法 Download PDF

Info

Publication number
CN109410230B
CN109410230B CN201811041662.8A CN201811041662A CN109410230B CN 109410230 B CN109410230 B CN 109410230B CN 201811041662 A CN201811041662 A CN 201811041662A CN 109410230 B CN109410230 B CN 109410230B
Authority
CN
China
Prior art keywords
image
edge
gradient
value
maximum
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
Application number
CN201811041662.8A
Other languages
English (en)
Other versions
CN109410230A (zh
Inventor
曾庆化
张月圆
刘建业
熊智
周雅婧
黄河泽
李一能
宦国耀
易荷田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201811041662.8A priority Critical patent/CN109410230B/zh
Publication of CN109410230A publication Critical patent/CN109410230A/zh
Application granted granted Critical
Publication of CN109410230B publication Critical patent/CN109410230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Abstract

本发明公开了一种可抗噪声的改进Canny图像边缘检测方法，改进算法在Canny算法的基础上，首先结合自适应中值滤波替代高斯滤波对图像降噪，从而较好地滤除椒盐噪声干扰；然后结合最大类间方差法和最大熵法，改进了双阈值选取方法，得到高低阈值，实现对图像的边缘检测，使目标图像在尽可能地保留边缘信息的同时，又过滤掉不必要的干扰边缘。本发明实现了在椒盐噪声污染的情况下图像边缘的检测和一种适应性比较强的双阈值选取方法，应用参考价值高。

Description

一种可抗噪声的改进Canny图像边缘检测方法
技术领域
本发明涉及图像处理领域，尤其涉及一种可抗噪声的改进Canny图像边缘检测方法。
背景技术
边缘是图像最基本的特征，它能在保留物体形状信息的前提下大大减少所要处理的信息，因此边缘检测是图像处理领域最基本的问题，它的解决对于特征提取、描述以及目标识别等后续研究都有重要影响。然而由于图像边缘一般位于像素灰度值变化剧烈的位置，其与噪声信号一样具有高频特性，检测中很容易产生伪边缘或漏检，不利于后续的提取和识别。所以，对图像边缘检测的研究依然具有非常重要的意义。
在众多的图像边缘检测方法中，Canny算法由于其优良的边缘检测特性——高准确度和高信噪比，得到了广泛应用。但是经典的Canny算法存在容易受噪声干扰、双阈值选取适应性不强、针对背景纹理复杂的图像难以有效提取目标边缘等的缺点，因而国内外的学者针对其缺点提出了很多改进方法。有的论文主要通过调整邻域大小降低噪声，但随着邻域增大，一些短边缘很容易漏检；有的论文通过结合更多的图像信息，如颜色、深度等，进行边缘检测，但在缺少特定信息的情况下依然难以取得令人满意的结果；有的论文结合机器学习等算法，通过大量样本的训练使检测器取得一个较好的效果，但其检测效果很依赖样本的数量。总体来说目前的检测算法还不够成熟，难以解决复杂情况下(含噪声、纹理复杂等)对于图像中目标轮廓的准确检测及提取的问题。
发明内容
本发明为了解决复杂情况下(含噪声、纹理复杂等)对于图像中目标轮廓的准确检测及提取的问题，提出了结合自适应中值滤波、改进双阈值选取方式和边缘分析的可抗噪声的改进Canny算法，实现了在含噪声情况下对包含复杂纹理图像的边缘检测及提取。
一种可抗噪声的改进Canny图像边缘检测方法，其特征在于包括以下步骤：
1)使用自适应中值滤波对图像进行平滑处理，I(x,y)为原图像(x,y为图像坐标系下的坐标)，平滑后的图像H(x,y)可以表示为H(x,y)＝fAMF(I(x,y))，fAMF()表示自适应中值滤波器；
2)基于平滑后的图像计算梯度幅值G(x,y)和方向θ(x,y)。首先利用边缘检测算子(如Roberts，Sobel等)计算水平和垂直方向的一阶导数，然后计算梯度幅值和方向，有
Figure BDA0001792261130000021
θ(x,y)＝arctan(Gy(x,y)/Gx(x,y))；
其中，Gx(x,y)代表水平一阶导数，Gy(x,y)代表垂直一阶导数，arctan()表示反正切函数，即利用正切值求角度。
3)根据梯度方向进行非极大值抑制。具体做法为遍历图像，检测每一个像素点的梯度G(x,y)是不是周围(8邻域内)具有相同梯度方向θ(x,y)的像素点中最大的，是则保留，不是则将其置0；
4)选取双阈值。以结合最大熵法和最大类间方差法的改进双阈值选取方式来选取高低双阈值。在进行非极大值抑制后的梯度图像上，运用最大熵法确定高阈值TH，一幅大小为M×N、灰度级为L的图像，设图像中灰度级为i的像素个数为Ni，则灰度级i的概率为
Figure BDA0001792261130000022
假设临界梯度幅值为T，则图像目标区域和背景区域的熵分别为
Figure BDA0001792261130000023
Figure BDA0001792261130000024
式中
Figure BDA0001792261130000025
Figure BDA0001792261130000026
表示求和运算，
Figure BDA0001792261130000027
表示对其取对数运算。根据最大熵法的思想，高阈值TH的求解公式为
Figure BDA0001792261130000028
式中，argmax()表示求解使括号中函数值最大的T值。
在灰度梯度0～TH范围内的图像区域运用最大类间方差确定低阈值TL，计算公式如下
Figure BDA0001792261130000029
式中，
Figure BDA0001792261130000031
表示背景区域概率；
Figure BDA0001792261130000032
表示目标区域概率；
Figure BDA0001792261130000033
表示背景区域平均灰度；
Figure BDA0001792261130000034
表示目标区域平均灰度；
Figure BDA0001792261130000035
表示0～TH范围内的平均灰度。
5)确定双阈值后，根据双阈值检测、连接边缘。具体做法为遍历图像，检测每一个像素点的梯度幅值，如果其大于高阈值TH，则该点为绝对边缘；如果其小于低阈值TL，则将其置0；如果其介于高低阈值之间，则判断在该点8邻域内是否存在绝对边缘，若存在，则认为该点也是边缘点，否则将其置0；
6)边缘分析。统计经过上述步骤得到的图像中的边缘长度，利用最大类间方差法确定临界边缘长度，将长度小于临界边缘长度的边缘过滤掉，从而得到最终边缘检测的图像。
在步骤1)中，自适应中值滤波的处理过程如下：①首先采用3×3的×字形模板窗口Sxy进行计算，计算窗口Sxy中的灰度中值Zmed、灰度最大值Zmax和灰度最小值Zmin，并判断噪声敏感度；②如果窗口Sxy中灰度中值Zmed，不在Zmax和Zmin之间就自动增加窗口Sxy的大小，重复以上的过程直到窗口大小达到设置值或灰度中值Zmed在Zmax和Zmin之间；③然后用窗口Sxy中某点灰度值Zxy与灰度最大值Zmax和灰度最小值Zmin进行判断，如果在其间，原值不做修改，反之就用Zmed取代原值。
在步骤2)中，以Sobel算子计算梯度强度和方向，x和y方向的Sobel算子分别如下所示
Figure BDA0001792261130000036
Figure BDA0001792261130000037
假设图像中一个3×3的窗口为HA(x,y)，窗口内像素灰度分别为a,b,c,d,e,f,g,h,i，所需计算梯度的像素点为窗口中心像素e，则利用Sobel算子分别计算x和y方向的梯度值为
Figure BDA0001792261130000041
Figure BDA0001792261130000042
其中，*为卷积符号，sum为求和。
在步骤6)中，利用最大类间方差法确定临界边缘长度的处理过程如下：设图像中检测到的边缘数目为Nsum，最长边缘为Lmax，边缘长度为Li的边缘个数为Ni，则缘长度为Li的概率为
Figure BDA0001792261130000043
则确定临界边缘长度l的计算公式为
Figure BDA0001792261130000044
式中，
Figure BDA0001792261130000045
表示低于临界边缘长度的概率；
Figure BDA0001792261130000046
表示高于临界边缘长度的概率；
Figure BDA0001792261130000047
表示低于临界边缘长度的平均长度；
Figure BDA0001792261130000048
表示高于临界边缘长度的平均长度；
Figure BDA0001792261130000049
表示所有边缘的平均长度。
本发明有益效果在于：
(1)本发明利用自适应中值滤波替代高斯滤波对图像进行平滑处理，使其可以更好地抵抗椒盐噪声的干扰；
(2)本发明利用最大熵法和最大类间方差法组合得到改进双阈值选取方法，克服了经典Canny算法双阈值选取依赖人工经验的缺点；
(3)本发明引入边缘分析对检测结果进行优化，利用最大类间方差法确定临界边缘长度从而过滤细小边缘，使得改进算法可以更好地适用于背景纹理复杂的图像，获得更为清晰明了的边缘检测结果。
附图说明
图1为本发明整体流程图。
图2为非极大值抑制示意图。
图3为双阈值确定、连接边缘示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
1、利用自适应中值滤波对图像进行平滑处理
①首先采用3×3的×字形模板窗口Sxy进行计算，计算窗口Sxy中的灰度中值Zmed、灰度最大值Zmax和灰度最小值Zmin，并判断噪声敏感度；
②如果窗口Sxy中灰度中值Zmed，不在Zmax和Zmin之间就自动增加窗口Sxy的大小，重复以上的过程直到窗口大小达到设置值或灰度中值Zmed在Zmax和Zmin之间；
③然后用窗口Sxy中某点灰度值Zxy与灰度最大值Zmax和灰度最小值Zmin进行判断，如果在其间，原值不做修改，反之就用Zmed取代原值。
2、运用Sobel算子计算梯度幅值和方向
x和y方向的Sobel算子分别如下所示
Figure BDA0001792261130000051
Figure BDA0001792261130000052
假设图像中一个3×3的窗口为HA(x,y)，窗口内像素灰度分别为a,b,c,d,e,f,g,h,i，所需计算梯度的像素点为窗口中心像素e，则利用Sobel算子分别计算x和y方向的梯度值为
Figure BDA0001792261130000053
Figure BDA0001792261130000054
其中，*为卷积符号，sum为求和。然后将(3)(4)分别带入(5)(6)计算梯度幅值和方向。
Figure BDA0001792261130000055
θ(x,y)＝arctan(Gy(x,y)/Gx(x,y)) (6)
3、非极大值抑制
非极大值抑制即历图像，检测每一个像素点的梯度G(x,y)是不是周围(8邻域内)具有相同梯度方向θ(x,y)的像素点中最大的，是则保留，不是则将其置0。具体步骤如下，首先将像素点的梯度方向近似为0°,45°,90°,135°,180°,235°,270°,315°八个方向中的一个，如图2所示，箭头表示梯度方向，数字表示梯度幅值；然后在像素点为中心的8邻域范围内，判断像素点的梯度是不是8邻域内具有相同梯度方向的像素点中最大，如图2，经过比较之后，竖直方向为局部极大值的像素点以白框框出，其余像素点置0。
4、改进双阈值选取方法
在进行非极大值抑制后的梯度图像上，首先运用最大熵法确定高阈值TH，一幅大小为M×N、灰度级为L的图像，设图像中灰度级为i的像素个数为Ni，则灰度级i的概率为
Figure BDA0001792261130000061
假设临界梯度幅值为T，则图像目标区域和背景区域的熵分别为
Figure BDA0001792261130000062
Figure BDA0001792261130000063
式中
Figure BDA0001792261130000064
根据最大熵法的思想，将(8)(9)带入(10)则高阈值TH的求解公式为
Figure BDA0001792261130000065
确定高阈值TH之后，在灰度梯度在0～TH范围内的图像区域运用最大类间方差确定低阈值TL，计算公式如下
Figure BDA0001792261130000066
式中，
Figure BDA0001792261130000067
表示背景区域概率和，
Figure BDA0001792261130000068
表示目标区域概率和，
Figure BDA0001792261130000069
表示背景区域概率密度，
Figure BDA0001792261130000071
表示目标区域概率密度，
Figure BDA0001792261130000072
表示总的概率密度。
5、双阈值检测、连接边缘
首先检测每一个像素点的梯度幅值，如果其大于高阈值TH，则该点为绝对边缘；如果其小于低阈值TL，则认为其必不是边缘将其置0；如果其介于高低阈值之间，则认为其是待定边缘；然后判断待定边缘中其8邻域内是否存在绝对边缘，若存在，则认为该点也是边缘点，否则将其置0。示意图如图3所示。
6、边缘分析
统计经过上述步骤得到的图像中的边缘长度，利用最大类间方差法确定临界边缘长度，将长度小于临界边缘长度的边缘过滤掉，从而得到最终边缘检测的图像。确定临界边缘长度的过程如下：设图像中检测到的边缘数目为Nsum，最长边缘为Lmax，边缘长度为Li的边缘个数为Ni，则缘长度为Li的概率为
Figure BDA0001792261130000073
则确定临界边缘长度的计算公式为
Figure BDA0001792261130000074
式中，
Figure BDA0001792261130000075
表示低于临界边缘长度的概率；
Figure BDA0001792261130000076
表示高于临界边缘长度的概率；
Figure BDA0001792261130000077
表示低于临界边缘长度的平均长度；
Figure BDA0001792261130000078
表示高于临界边缘长度的平均长度；
Figure BDA0001792261130000079
表示所有边缘的平均长度。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (4)

1.一种可抗噪声的改进Canny图像边缘检测方法，其特征在于：包括以下步骤：
步骤1，使用自适应中值滤波对图像进行平滑处理，设I(x,y)为原图像，其中，x,y为图像坐标系下的坐标，平滑后的图像H(x,y)为H(x,y)＝fAMF(I(x,y))，其中，fAMF()表示自适应中值滤波器；
步骤2，基于平滑后的图像计算梯度幅值G(x,y)和方向θ(x,y)；利用边缘检测算子计算水平和垂直方向的一阶导数，进而计算梯度幅值和方向，具体如下：
Figure FDA0003518462600000011
θ(x,y)＝arctan(Gy(x,y)/Gx(x,y))
式中，Gx(x,y)代表水平一阶导数，Gy(x,y)代表垂直一阶导数，arctan()表示反正切函数；
步骤3，根据梯度方向进行非极大值抑制；具体为：遍历图像，检测每一个像素点的梯度G(x,y)是不是附近具有相同梯度方向θ(x,y)的像素点中最大的，是则保留，不是则将其置0；
步骤4，选取双阈值：以结合最大熵法和最大类间方差法的改进双阈值选取方式来选取高低双阈值；具体如下：
在进行非极大值抑制后的梯度图像上，运用最大熵法确定高阈值TH，一幅大小为M×N、灰度级为L的图像，设图像中灰度级为i的像素个数为Ni，则灰度级i的概率为
Figure FDA0003518462600000012
假设T为临界梯度，则图像目标区域和背景区域的熵分别为：
Figure FDA0003518462600000013
Figure FDA0003518462600000014
式中
Figure FDA0003518462600000015
表示背景区域的概率，
Figure FDA0003518462600000016
为求和运算，
Figure FDA0003518462600000017
表示对其取对数运算；
根据最大熵法的思想，高阈值TH的求解公式为：
Figure FDA0003518462600000018
式中，argmax()表示求解使括号中函数值最大的T值；
在灰度梯度在0～TH范围内的图像区域运用最大类间方差法确定低阈值TL，计算公式如下：
Figure FDA0003518462600000021
式中，
Figure FDA0003518462600000022
表示背景区域概率；
Figure FDA0003518462600000023
表示目标区域概率；
Figure FDA0003518462600000024
表示背景区域平均灰度；
Figure FDA0003518462600000025
表示目标区域平均灰度；
Figure FDA0003518462600000026
表示0～TH范围内的平均灰度；
步骤5，确定双阈值后，根据双阈值来检测、连接边缘，具体做法为：遍历图像，检测每一个像素点的梯度幅值，如果其大于高阈值TH，则该点为绝对边缘；如果其小于低阈值TL，则将其置0；如果其介于高低阈值之间，则判断在该点附近是否存在绝对边缘，若存在，则认为该点也是边缘点，否则将其置0；
步骤6，边缘分析：统计经过上述步骤得到的图像中的边缘长度，利用最大类间方差法确定临界边缘长度，将长度小于临界边缘长度的边缘过滤掉，从而得到最终边缘检测的图像。
2.根据权利要求1所述的一种可抗噪声的改进Canny图像边缘检测方法，其特征在于：在步骤1中，自适应中值滤波的处理过程如下：
步骤1.1，首先采用3×3的×字形模板窗口Sxy进行计算，计算窗口Sxy中的灰度中值Zmed、灰度最大值Zmax和灰度最小值Zmin；
步骤1.2，如果窗口Sxy中灰度中值Zmed，不在Zmax和Zmin之间就自动增加窗口Sxy的大小，重复以上过程直到窗口大小达到设置值或灰度中值Zmed在Zmax和Zmin之间；
步骤1.3，用窗口Sxy中某点灰度值Zxy与灰度最大值Zmax和灰度最小值Zmin进行判断，如果在其间，原值不做修改，反之就用Zmed取代原值。
3.根据权利要求1所述的一种可抗噪声的改进Canny图像边缘检测方法，其特征在于：在步骤2中，以Sobel算子计算梯度强度和方向，x和y方向的Sobel算子分别如下所示：
Figure FDA0003518462600000031
Figure FDA0003518462600000032
假设图像中一个3×3的窗口为HA(x,y)，窗口内像素灰度分别为a11,a12,a13,a21,a22,a23,a31,a32，所需计算梯度的像素点为窗口中心像素e，则利用Sobel算子分别计算x和y方向的梯度值为：
Figure FDA0003518462600000033
Figure FDA0003518462600000034
其中，*为卷积符号，sum为求和。
4.根据权利要求1所述的一种可抗噪声的改进Canny图像边缘检测方法，其特征在于：在步骤6中，利用最大类间方差法确定临界边缘长度的处理过程如下：设图像中检测到的边缘数目为Nsum，最长边缘为Lmax，边缘长度为Li的边缘个数为NLi，则缘长度为Li的概率为
Figure FDA0003518462600000035
则确定临界边缘长度l的计算公式为：
Figure FDA0003518462600000036
式中，
Figure FDA0003518462600000037
表示低于临界边缘长度的概率；
Figure FDA0003518462600000038
表示高于临界边缘长度的概率；
Figure FDA0003518462600000039
表示低于临界边缘长度的平均长度；
Figure FDA00035184626000000310
表示高于临界边缘长度的平均长度；
Figure FDA00035184626000000311
表示所有边缘的平均长度。
CN201811041662.8A 2018-09-07 2018-09-07 一种可抗噪声的改进Canny图像边缘检测方法 Active CN109410230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811041662.8A CN109410230B (zh) 2018-09-07 2018-09-07 一种可抗噪声的改进Canny图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811041662.8A CN109410230B (zh) 2018-09-07 2018-09-07 一种可抗噪声的改进Canny图像边缘检测方法

Publications (2)

Publication Number Publication Date
CN109410230A CN109410230A (zh) 2019-03-01
CN109410230B true CN109410230B (zh) 2022-06-17

Family

ID=65464578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811041662.8A Active CN109410230B (zh) 2018-09-07 2018-09-07 一种可抗噪声的改进Canny图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN109410230B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084101A (zh) * 2019-03-14 2019-08-02 广东技术师范大学 一种人体体前屈图像的检测方法及设备
CN110245600B (zh) * 2019-06-11 2021-07-23 长安大学 自适应起始快速笔画宽度无人机道路检测方法
CN110245670B (zh) * 2019-06-11 2021-08-20 观博云标(北京)文化科技有限公司 基于图像金字塔梯度直方图特征的天珠身份辨识方法及装置
CN111242923A (zh) * 2020-01-13 2020-06-05 国网湖北省电力有限公司宜昌供电公司 基于Canny算子的最大熵阈值优化的绝缘子裂纹检测方法
CN111429372A (zh) * 2020-03-24 2020-07-17 杭州趣维科技有限公司 一种增强低对比度图像边缘检测效果的方法
CN111724315B (zh) * 2020-05-09 2022-10-14 中国人民解放军63686部队 一种基于自适应加权中值滤波的红外图像噪声去除方法
CN111612776A (zh) * 2020-05-22 2020-09-01 福州数据技术研究院有限公司 一种基于图像边缘识别的病理大体标本大小自动测量方法
CN111578838A (zh) * 2020-05-25 2020-08-25 安徽工业大学 一种齿轮尺寸视觉测量装置及测量方法
CN111833366A (zh) * 2020-06-03 2020-10-27 佛山科学技术学院 一种基于Canny算法的边缘检测方法
CN111815660B (zh) * 2020-06-16 2023-07-25 北京石油化工学院 危化品仓库中货物边缘检测方法、装置及终端设备
CN111709964B (zh) * 2020-06-22 2023-04-25 重庆理工大学 一种pcba目标边缘检测方法
CN111853557B (zh) * 2020-07-28 2021-06-08 中国水利水电科学研究院 一种基于探地雷达检测管道泄漏的自动辨识方法和系统
CN112380755A (zh) * 2020-12-01 2021-02-19 吉林大学 轴端接地装置综合性能试验台电流谱重建方法与系统
CN113155032A (zh) * 2020-12-16 2021-07-23 重庆邮电大学 一种基于动态视觉传感器dvs的建筑物结构位移测量方法
CN112991374A (zh) * 2021-03-31 2021-06-18 新疆爱华盈通信息技术有限公司 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN113837198B (zh) * 2021-05-18 2023-11-28 中国计量大学 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法
CN113379640B (zh) * 2021-06-25 2023-06-27 哈尔滨工业大学 一种融合边缘信息的多级滤波图像去噪方法
CN114240986A (zh) * 2021-11-12 2022-03-25 东莞拓斯达技术有限公司 图像处理方法、终端设备及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101546430A (zh) * 2009-04-30 2009-09-30 上海大学 基于简化型脉冲耦合神经网络的边缘提取方法
CN102663750A (zh) * 2012-03-31 2012-09-12 西北工业大学 数字图像边缘检测方法
CN108022233A (zh) * 2016-10-28 2018-05-11 沈阳高精数控智能技术股份有限公司 一种基于改进型Canny算子的工件边缘提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101546430A (zh) * 2009-04-30 2009-09-30 上海大学 基于简化型脉冲耦合神经网络的边缘提取方法
CN102663750A (zh) * 2012-03-31 2012-09-12 西北工业大学 数字图像边缘检测方法
CN108022233A (zh) * 2016-10-28 2018-05-11 沈阳高精数控智能技术股份有限公司 一种基于改进型Canny算子的工件边缘提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合双阈值和改进形态学的边缘检测;崔丽群 等;《计算机工程与应用》;20160216;第190-195页 *

Also Published As

Publication number Publication date
CN109410230A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109410230B (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
CN102156996B (zh) 一种图像边缘检测的方法
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN116843688B (zh) 一种纺织品质量视觉检测方法
CN111833366A (zh) 一种基于Canny算法的边缘检测方法
Hao et al. Improved self-adaptive edge detection method based on Canny
CN107610104A (zh) 一种基于机器视觉的电梯补偿链r处裂纹检测方法
CN102521836A (zh) 一种基于特定类灰度图像的边缘检测方法
CN107167810B (zh) 一种侧扫声纳成像的水下目标快速提取方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN114399522A (zh) 一种基于高低阈值的Canny算子的边缘检测方法
CN105787912B (zh) 一种基于分类的阶跃型边缘亚像素定位方法
CN110348461A (zh) 一种工件表面缺陷特征提取方法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
Cheng An improved Canny edge detection algorithm
CN115018785A (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN114943744A (zh) 基于局部Otsu阈值化的边缘检测方法
CN110599422A (zh) 一种基于边缘保护的加权平均椒盐噪声降噪算法
CN106874882B (zh) 路面病害边缘检测方法和装置
CN108647693A (zh) 一种基于二元显著性特征的海面红外目标检测方法
CN115994870B (zh) 一种用于增强去噪的图像处理方法
CN116630321A (zh) 基于人工智能的桥梁健康智能监测系统
CN116612112A (zh) 一种水桶表面缺陷视觉检测方法

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
GR01 Patent grant
GR01 Patent grant