CN110648343B - 基于六阶样条尺度函数的图像边缘检测方法 - Google Patents
基于六阶样条尺度函数的图像边缘检测方法 Download PDFInfo
- Publication number
- CN110648343B CN110648343B CN201910834675.9A CN201910834675A CN110648343B CN 110648343 B CN110648343 B CN 110648343B CN 201910834675 A CN201910834675 A CN 201910834675A CN 110648343 B CN110648343 B CN 110648343B
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- formula
- wavelet
- selecting
- 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
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
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明与图像处理、计算机视觉、模式处理等领域有关。
背景技术
图像边缘检测是图像处理和计算机视觉中的基本问题。图像边缘检测的目的是标识数字图像中亮度明显变化的点。图像边缘检测可以过滤掉可以认为不相关的信息,保留了图像的重要特征信息,大幅减少数据量,从而减小计算机处理的时空开销。神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。神经网络可以充分逼近任意复杂的非线性关系,采用分布式并行信息处理方法,具有高速寻找最优解的能力,且所有信息都等势分布储存于网络的各个神经元,所以有很强的鲁棒性和容错性。小波是提取图像边缘特性的重要技术手段,相对于传统图像特征提取手段,该方法可以提取各种位置和角度上的图像特征。在动态目标识别中,经典小波变换很难根据图像变化,实时调整小波变换的分辨率,以及信号处理区域。
发明内容
本发明的目的是提供一种可以获得更加细腻的边缘特性的基于六阶样条尺度函数的图像边缘检测方法。
本发明是这样实现的:
1、基于六阶样条尺度函数的图像边缘检测方法,步骤如下:
(3) 选定函数
(4) 基于(2)式,计算函数
(6) 基于(1)、(4)式得
(9) 选定矩阵
式中,
(10) 选定矩阵
(11) 设定参数
(12) 选定矩阵
依据(8)式参数含义及计算结果,这里
(13) 设定矩阵
网络的输出层权值为
图像在对角线方向的小波神经网络的输出层权值为
本发明的优点如下:
本发明将小波的边缘提取能力和神经网络的自适应能力结合起来,首先由六阶样条尺度函数及六阶样条小波函数得到矩阵、、、,然后由、、、得到矩阵、、,再利用矩阵、得到矩阵,进而基于、、、及图像矩阵得到矩阵、、,最后使用、、得到图像边缘;进而在图像边缘提取过程中实现小波变换分辨率和信号处理区域的动态调整,以获取更加细腻和准确的边缘。
小波变换的多分辨率特性使得我们可以由粗略到细致地观察图像信号,相对于传统神经网络特征提取具有更加高效、快捷、高精度的特点。本发明结合神经网络及小波变换的特点,将小波神经网络用于图像边缘检测,可以获得更加细腻的边缘特性。
附图说明
图2为图像边缘检测结果
图3本发明方法流程示意图
具体实施方式
1、基于六阶样条尺度函数的图像边缘检测方法,步骤如下:
(3) 选定函数
(4) 基于(2)式,计算函数
(6) 基于(1)、(4)式得
(9) 选定矩阵
式中,
(10) 选定矩阵
(11) 设定参数
(12) 选定矩阵
依据(8)式参数含义及计算结果,这里
(13) 设定矩阵
网络的输出层权值为
图像在对角线方向的小波神经网络的输出层权值为
Claims (1)
1.基于六阶样条尺度函数的图像边缘检测方法,步骤如下:
(3) 选定函数
(4) 基于(2)式,计算函数
(6) 基于(1)、(4)式得
(9) 选定矩阵
式中,
(10) 选定矩阵
(11) 设定参数
(12) 选定矩阵
依据(8)式参数含义及计算结果,这里
(13) 设定矩阵
网络的输出层权值为
图像在对角线方向的小波神经网络的输出层权值为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834675.9A CN110648343B (zh) | 2019-09-05 | 2019-09-05 | 基于六阶样条尺度函数的图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834675.9A CN110648343B (zh) | 2019-09-05 | 2019-09-05 | 基于六阶样条尺度函数的图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648343A CN110648343A (zh) | 2020-01-03 |
CN110648343B true CN110648343B (zh) | 2022-09-23 |
Family
ID=69010157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910834675.9A Active CN110648343B (zh) | 2019-09-05 | 2019-09-05 | 基于六阶样条尺度函数的图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648343B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673340A (zh) * | 2009-08-13 | 2010-03-17 | 重庆大学 | 综合多方向多尺度与bp神经网络的人耳识别方法 |
CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN103747248A (zh) * | 2014-01-27 | 2014-04-23 | 电子科技大学 | 深度与彩色视频边界不一致的检测和处理方法 |
CN103955911A (zh) * | 2014-01-10 | 2014-07-30 | 上海大学 | 基于相对变分的边缘检测方法 |
CN105138976A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种遗传小波神经网络的输电线路覆冰厚度识别方法 |
CN107329137A (zh) * | 2017-07-04 | 2017-11-07 | 河南工业大学 | 基于box样条小波框架的探地雷达地下目标定位方法及系统 |
CN108572648A (zh) * | 2018-04-24 | 2018-09-25 | 中南大学 | 一种无人驾驶车辆电源多源融合预测方法及系统 |
CN109033780A (zh) * | 2018-07-03 | 2018-12-18 | 南方电网科学研究院有限责任公司 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
CN109117816A (zh) * | 2018-08-28 | 2019-01-01 | 电子科技大学 | 基于六阶样条插值小波的信号奇异点检测方法 |
CN109358605A (zh) * | 2018-11-09 | 2019-02-19 | 电子科技大学 | 基于六阶b-样条小波神经网络的控制系统校正方法 |
CN110717468A (zh) * | 2019-10-16 | 2020-01-21 | 电子科技大学 | 基于六阶基数样条小波网络的带通滤波方法 |
CN112070789A (zh) * | 2020-08-27 | 2020-12-11 | 电子科技大学 | 一种密集纤维细胞的轮廓估算方法 |
CN112085062A (zh) * | 2020-08-10 | 2020-12-15 | 广东工业大学 | 一种基于小波神经网络的异常能耗定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847737B1 (en) * | 1998-03-13 | 2005-01-25 | University Of Houston System | Methods for performing DAF data filtering and padding |
-
2019
- 2019-09-05 CN CN201910834675.9A patent/CN110648343B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673340A (zh) * | 2009-08-13 | 2010-03-17 | 重庆大学 | 综合多方向多尺度与bp神经网络的人耳识别方法 |
CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN103955911A (zh) * | 2014-01-10 | 2014-07-30 | 上海大学 | 基于相对变分的边缘检测方法 |
CN103747248A (zh) * | 2014-01-27 | 2014-04-23 | 电子科技大学 | 深度与彩色视频边界不一致的检测和处理方法 |
CN105138976A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种遗传小波神经网络的输电线路覆冰厚度识别方法 |
CN107329137A (zh) * | 2017-07-04 | 2017-11-07 | 河南工业大学 | 基于box样条小波框架的探地雷达地下目标定位方法及系统 |
CN108572648A (zh) * | 2018-04-24 | 2018-09-25 | 中南大学 | 一种无人驾驶车辆电源多源融合预测方法及系统 |
CN109033780A (zh) * | 2018-07-03 | 2018-12-18 | 南方电网科学研究院有限责任公司 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
CN109117816A (zh) * | 2018-08-28 | 2019-01-01 | 电子科技大学 | 基于六阶样条插值小波的信号奇异点检测方法 |
CN109358605A (zh) * | 2018-11-09 | 2019-02-19 | 电子科技大学 | 基于六阶b-样条小波神经网络的控制系统校正方法 |
CN110717468A (zh) * | 2019-10-16 | 2020-01-21 | 电子科技大学 | 基于六阶基数样条小波网络的带通滤波方法 |
CN112085062A (zh) * | 2020-08-10 | 2020-12-15 | 广东工业大学 | 一种基于小波神经网络的异常能耗定位方法 |
CN112070789A (zh) * | 2020-08-27 | 2020-12-11 | 电子科技大学 | 一种密集纤维细胞的轮廓估算方法 |
Non-Patent Citations (2)
Title |
---|
基于插值小波塔式分解算法的图像边缘检测;张治国等;《计算机科学》;20170615;164-168 * |
基于采样原理的小波神经网络去噪研究;黄栋一;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑(月刊)》;20180815;I138-618 * |
Also Published As
Publication number | Publication date |
---|---|
CN110648343A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728324B (zh) | 基于深度复值全卷积神经网络的极化sar图像分类方法 | |
CN104574324B (zh) | 对地面建筑群遥感图像频谱特性约束的去噪方法和系统 | |
CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
JPH06348842A (ja) | ノイズ低減フィルター | |
CN103116875A (zh) | 自适应双边滤波图像去噪方法 | |
CN110060286B (zh) | 一种单目深度估计方法 | |
CN105023253A (zh) | 基于视觉底层特征的图像增强方法 | |
CN103295241A (zh) | 一种基于Gabor小波的频域显著性目标检测方法 | |
Jiao et al. | Multiscale representation learning for image classification: A survey | |
CN103544488B (zh) | 一种人脸识别方法及装置 | |
CN106097257B (zh) | 一种图像去噪方法及装置 | |
CN104299238A (zh) | 一种基于医学图像的器官组织轮廓线提取方法 | |
CN106296632A (zh) | 一种基于幅度谱分析的显著目标检测方法 | |
CN110648343B (zh) | 基于六阶样条尺度函数的图像边缘检测方法 | |
CN104217430A (zh) | 基于l1正则化的图像显著性检测方法 | |
CN111461999B (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
Bi et al. | A robust color edge detection algorithm based on the quaternion Hardy filter | |
CN1892698A (zh) | 基于小波分形的遥感图像插值方法 | |
Zhang et al. | Image denoising using hybrid singular value thresholding operators | |
CN102289800B (zh) | 基于Treelet的Contourlet域图像去噪方法 | |
CN109492648B (zh) | 基于离散余弦系数多尺度小波变换的显著性检测方法 | |
CN103903267B (zh) | 基于均值模板和学生t混合模型的图像分割方法 | |
Lukashevich et al. | Texture analysis: Algorithm for texture features computation | |
CN105426916A (zh) | 图像相似度计算方法 | |
EP2577564B1 (en) | Multiscale modulus filter bank and applications to pattern detection, clustering, classification and registration |
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 |