CN113837198B - 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 - Google Patents
一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 Download PDFInfo
- Publication number
- CN113837198B CN113837198B CN202110540449.7A CN202110540449A CN113837198B CN 113837198 B CN113837198 B CN 113837198B CN 202110540449 A CN202110540449 A CN 202110540449A CN 113837198 B CN113837198 B CN 113837198B
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- threshold
- block matching
- dimensional block
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003708 edge detection Methods 0.000 title claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 54
- 230000005764 inhibitory process Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于三维块匹配的改进自适应阈值Canny边缘检测方法，包括输入需要检测的图像、对图像进行三维块匹配滤波、将三维块匹配滤波的结果进行引导滤波、梯度幅值以及方向计算、对引导滤波梯度幅值图进行非极大值抑制、块匹配组内最大类间方差计算确定最佳双阈值、根据双阈值保留或剔除边缘、基于区域生长法进行边缘连接得到图像的边缘。本发明基于三维块匹配滤波和引导滤波代替高斯滤波，在去除噪声的同时保留了更多的边缘信息，提高了边缘检测效果，简化了人工选取全局双阈值的操作过程，减少了检测时的随机性并且提高了弱边缘的检测能力。
Description
技术领域
本发明涉及一种在图像处理领域内使用的边缘检测方法，尤其涉及一种基于三维块匹配的改进Canny检测方法。
背景技术
图像的边缘特征是图像最基本的特征之一，包含图像丰富的固有信息。图像处理在各个领域中被广泛使用，在进行图像识别、图像分割、目标测量等处理前需要对图像的边缘进行准确的检测。
对于分辨率低、信噪比低、边缘模糊、图像不同区域之间的边界不明确等特点的图像，传统Canny算法在检测时存在一定的局限。传统Canny使用高斯滤波对图像进行平滑时容易在平滑噪声的同时也滤掉了有用的信息从而丢失大量边缘信息。而且传统Canny算子的双阈值需要人工事先选定，该步骤的不确定性会导致检测中准确度的降低。为此，国内相关研究提出了许多改进Canny边缘检测算法。比如使用统计滤波、非均值滤波、双边滤波、混合滤波器等算法替换高斯滤波，或改用具有保边特性的引导滤波对图像进行平滑，采用基于形态学算子的各向异性扩散滤波代替高斯滤波平滑，利用 DCT 系数进行线性收缩对图像进行去噪。并且改进双阈值处理，使用大律法自适应地根据图像灰度选取高、低阈值，采用梯度强度信息计算法实现阈值自适应，对非极大值抑制后的梯度图像进行分块根据各子块的类型自适应确定边缘连接的双阈值，对幅度梯度直方图进行微分运算得到自适应双阈值。
虽然目前的一些改进Canny算法中采用了一些边缘保持技术，但边缘的保持和增强方法仍然有改进的余地，在高低双阈值处理中，大部分是整幅图像采用统一的双阈值，没有考虑图像的局部梯度分布特征，缺乏局部自适应性，很容易造成边缘信息的丢失。因此，本发明在基于传统Canny算法的基础上，提出了一种基于三维块匹配的改进自适应阈值Canny边缘检测方法。
发明内容
本发明针对待解决的技术问题提供了一种基于三维块匹配的改进自适应阈值Canny边缘检测方法。
为达到上述目的，本发明采用如下技术方案：
一种基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：包括以下步骤：步骤1、输入需要检测的图像；步骤2、对图像进行三维块匹配滤波；步骤3、对三维块匹配滤波图像进行引导滤波；步骤4、梯度幅值以及方向计算；步骤5、对引导滤波梯度图进行非极大值抑制；步骤6、块匹配组内最大类间方差计算确定最佳双阈值；步骤7、根据双阈值保留或剔除边缘；步骤8、基于区域生长法进行边缘连接得到图像的边缘。
作为优选，输入需要检测的图像的方法是：输入需要检测的图像是事先采集并保存的图像数据或实时采集的图像数据。
作为优选，对图像进行三维块匹配滤波的方法是：根据搜索步长遍历原始图像中的所有图像块，在搜索范围内寻找与其相似度大于阈值的图像块归为同组，对同组图像块进行协同硬阈值滤波然后加权重组得到基础估计图像；然后根据搜索步长遍历基础估计图像中的所有图像块，在搜索范围内寻找与其相似度大于阈值的图像块归为同组，将同组图像块的基础图像块组和相同位置的原始图像块组进行协同维纳滤波后加权重组得到最终估计图像。
作为优选，对三维块匹配滤波图像进行引导滤波的方法是：由硬阈值协同滤波后的基础估计图像作为引导图像，维纳协同滤波后的最终估计图像作为处理图像，使用局部线性模型建立引导图像G与待处理图像P之间的关系进行引导滤波，输出图像的梯度信息完全由引导图像的梯度信息决定。
作为优选，梯度幅值以及方向计算的方法是：采用四方向的Sobel算子计算基础估计图像和引导滤波图像的梯度幅值以及方向。
作为优选，对引导滤波梯度图像进行非极大值抑制的方法是：遍历引导滤波梯度图像，根据x和y方向的梯度分量大小确定非极大值抑制的方向，比较当前像素点在抑制方向上是否为极大值，非极大值置零，为极大值则保留，保证不出现双边缘的情况，当在抑制方向上不存在像素点时通过比例进行插值计算。
作为优选，块匹配组内最大类间方差计算确定最佳双阈值的方法是：将最终估计图像的梯度图像依据原先三维块匹配中的图像块分组情况分组，使用最大类间方差计算图像块组内的一个阈值，根据这个阈值确定在双阈值处理时的最佳双阈值。
作为优选，根据双阈值保留或剔除边缘的方法是：遍历非极大值抑制图像的图像块按照最大类间方差计算出的最佳双阈值进行处理，高于高阈值的像素视为强边缘像素值置为255，低于低阈值的像素视为不是边缘置为0，高于低阈值且低于高阈值的像素视为弱边缘，判断其周围像素的像素值是否高于高阈值，如果高于高阈值则置为255，视为边缘。
作为优选，基于区域生长法进行边缘连接得到图像边缘的方法是：计算双阈值连接边缘图与低阈值分割图的差异图，对差异图中的每个非零像素点，在其为中心的5 × 5邻域内根据区域生长法寻找与其相连的边缘点，最后判断当前点是否为连续性较好的弱边缘点。若与之相连的边缘点个数大于等于 4，则判断该中心点是弱边缘点并保留，否则判为噪声点将其去除。
本发明的有益效果是：本发明所公开的一种基于三维块匹配的改进自适应阈值Canny边缘检测方法，通过三维块匹配与引导滤波，在过滤噪声信息的同时对边缘信息进行保留，避免了高斯滤波将边缘信息与噪声信息同时过滤的问题；同时根据三维块匹配中的匹配结果引入梯度图像块组最大类间方差以自适应确定双阈值，解决了人工设定阈值效率低、检测结果可靠性差的问题；对每个图像块进行双阈值处理，避免了全局阈值处理漏检弱边缘的问题，适用于图像处理中各类图像的边缘检测，在检测精度方面具有较大优势。
附图说明
图1是本发明的改进自适应阈值边缘检测方法整体流程。
图2是本发明的边缘检测具体流程
图3是本发明处理的原始图像。
图4是本发明图像块匹配示意图。
图5是本发明三维块匹配滤波的基础估计图像。
图6是本发明三维块匹配滤波的最终估计图像。
图7是本发明引导滤波的图像。
图8是本发明最终估计图像的梯度图像。
图9是本发明引导滤波图像的梯度图像。
图10是本发明阈值分布图像。
图11是本发明非极大值抑制图像。
图12是本发明的最终边缘检测结果图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明，实施例对图像进行边缘检测。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例，请参照图1至图12：图1示意性地给出了本发明所公开的改进自适应阈值边缘检测方法整体流程；图2示意性给出了本发明边缘检测具体流程；图3示意性给出了本发明处理的原始图像；图4示意性给出了本发明图像块匹配示意图；图5示意性给出了本发明三维块匹配滤波的基础估计图像；图6示意性给出了本发明三维块匹配滤波的最终估计图像；图7示意性给出了本发明引导滤波的图像；图8示意性给出了本发明最终估计图像的梯度图像；图9示意性给出了本发明引导滤波图像的梯度图像；图10示意性给出了本发明非极大值抑制图像；图11示意性给出了本发明计算图像块最佳阈值后的阈值分布图像；图12示意性给出了本发明的最终边缘检测结果图。
依据图1所示流程，对图像边缘检测依据以下步骤进行检测：
（1）通过工业相机实时采集图像或读取事先保存的图像数据，得到原始图像，如图3所示。图像/>可以是灰度图像，也可以是基于RGB颜色空间的彩色图像，彩色图像需要先转换为灰度图像。
（2）为了过滤掉图像中存在的噪声，使用三维块匹配滤波算法，整个算法分为基础估计和最终估计两部分。
基础估计首先将原始图像分成大小一致的有重叠或无重叠的小块，对各个图像块进行二维的离散余弦变换或者是小波阈值变换进行预处理，预处理后对于选定的参考块，找到在给定的搜索窗口范围内与参考块的欧氏距离小于某个阈值的图像块作为相似块，欧式距离计算公式如式（1）所示：
（1）
其中，表示两个图像块之间的欧式距离，/>表示参考块，/>表示参考块移动后得到的新的图像块，/>表示两个图像块强度的平方差，/>表示归一化因子，图像块匹配示意图如图4所示。
然后将参考块和相似块叠加在一起聚集成相应的三维图像块组，对形成的三维图像块组进行第三维的小波硬阈值变换，通过对变换域系数进行硬阈值收缩处理来大幅度降低噪声，其滤波函数定义如式（2）所示：
（2）
其中，表示滤波后的系数，/>表示三维矩阵块小波变换系数，/>是预先设定的阈值。
随后通过三维反变换来产生所有聚集块的估计值，然后返回这些块的估计值到他们的初始位置。由于每一图像块返回到原始位置的估计值是重叠或非重叠的，于是对所有重叠的块的估计值进行加权平均，得到重叠块的单个的估计值，从而重构出图像的基础估计图像，如图5所示。
与基础估计步骤相似，最终估计首先进行选定相似块进行分组。不同的是该步骤先对基础估计得到的图像进行分块，通过欧氏距离搜索到相似块的位置后分组得到一个来自基础估计图像的三维图像块组，在相同路径下搜索原始图像/>中这些相似块的位置进行分组得到另一个三维图像块组。然后对基础估计图像/>进行三维变换，得到变换后的能量谱，用它作为真实的能量谱来指导原始图像/>的三维图像块组进行小波域的经验维纳滤波，小波经验维纳滤波器为如（3）式形式：
（3）
其中，表示噪声的标准差。/>表示纯净信号小波变换后的系数，由于纯净信号是未知的，所以其小波变换后的系数/>也是未知的，用硬阈值滤波后的基础估计值来近似代替真实值。
随后通过三维反变换可以得到每个相似块的估计值，然后返回这些估计值到他们的初始位置进行加权平均，从而得到重构出图像的最终估计图像，如图6所示。
（3）由于三维块匹配滤波对每个块的二维变换会引入假信号，当噪声强度相对较大时尤为明显，所以使用引导滤波对最终估计进行滤波，以基础估计图像作为参考图像在保留特征的前提下去除假信号，得到引导滤波图像，如图 7 所示。
引导滤波算法原理是一种线性滤波过程，可以简单定义为式（4）形式:
（4）
其中，Q是输出图像，P是输入的待滤波图像，I是引导图像，W是根据引导图I确定的权重值，权重值W可以用式（5）表示:
（5）
其中是窗口内像素点的均值，/>和/>指相邻两个像素点的值，/>代表窗口内像素点的方差，/>是一个惩罚值。
自适应权重可以根据上式分析得到：和/>在边界两侧时，/>和/>异号，否则则同号。异号时的权重值将远远小于同号时的权重值，这样处于平坦区域的像素则会被加以较大的权重，平滑效果更明显，而处于边界两侧的像素则会被加以较小的权重，平滑效果较弱，能够起到保持边界的效果。惩罚值/>对滤波效果影响也很大，当/>值很小时，滤波如前面所述；当/>值很大时，权重的计算公式将近似为一个均值滤波器，平滑效果会更明显。
（4）为了计算梯度幅值以及方向，采用四方向的Sobel算子计算，如式（6）所示。最终估计图像的梯度幅值图，如图8所示。和引导滤波图像的梯度幅值图/>，如图9所示。
（6）
（5）为了细化边缘，对引导滤波梯度图像进行非极大值抑制，遍历引导滤波梯度图像/>，根据x和y方向的梯度分量/>与/>的大小确定非极大值抑制的方向，比较当前像素点在抑制方向上是否为极大值，非极大值置零，为极大值则保留，保证不出现双边缘的情况，当在抑制方向上不存在像素点时通过比例进行插值计算，最终得到非极大值抑制结果图像/>，如图 10 所示。
（6）为了自适应计算双阈值处理过程中的高低阈值，采用块匹配组内最大类间方差计算的方法确定最佳双阈值，首先将最终估计图像的梯度图像依据原先三维块匹配中的图像块分组情况分组，如图 2 所示，使用最大类间方差计算图像块组内的阈值并保存在该图像块的左上角得到阈值分布图/>，如图 11 所示。
（7）为了保留更多有效边缘进行双阈值处理，遍历非极大值抑制图像的图像块按照最大类间方差计算出的阈值进行处理，根据这个阈值确定高低阈值，高于高阈值的像素视为强边缘像素值置为255，低于低阈值的像素视为不是边缘置为0，高于低阈值且低于高阈值的像素视为弱边缘，判断其周围像素的像素值是否高于高阈值，如果高于高阈值则置为255，视为边缘。
（8）为了保留某些连接性较好只是没有与大于高阈值的像素点相邻接的弱边缘点，计算双阈值连接边缘图与低阈值分割图的差异图，对差异图中的每个非零像素点，在其为中心的5 × 5邻域内根据区域生长法寻找与其相连的边缘点，最后判断当前点是否为连续性较好的弱边缘点。若与之相连的边缘点个数大于等于 4，则判断该中心点是弱边缘点并保留，否则判为噪声点将其去除。得到最终边缘检测结果图哈哈，如图 12 所示。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：包括以下步骤：步骤1、输入需要检测的图像；步骤2、对图像进行三维块匹配滤波；步骤3、对三维块匹配滤波图像进行引导滤波；步骤4、梯度幅值以及方向计算；步骤5、对引导滤波梯度图进行非极大值抑制；步骤6、块匹配组内最大类间方差计算确定最佳双阈值；步骤7、根据双阈值保留或剔除边缘；步骤8、基于区域生长法进行边缘连接得到图像的边缘；
步骤3包括以下内容：由硬阈值协同滤波后的基础估计图像作为引导图像，维纳协同滤波后的最终估计图像作为处理图像，使用局部线性模型建立引导图像G与待处理图像P之间的关系进行引导滤波，输出图像的梯度信息完全由引导图像的梯度信息决定；
引导滤波的过程包括以下内容：将其定义为
，其中，Q是输出图像，P是输入的待滤波图像，I是引导图像，W是根据引导图I确定的权重值，权重值W用
。
2.根据权利要求1所述的基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：步骤1包括以下内容：输入需要检测的图像是事先采集并保存的图像数据或实时采集的图像数据。
3.根据权利要求1所述的基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：步骤2包括以下内容：根据搜索步长遍历原始图像中的所有图像块，在搜索范围内寻找与其相似度大于阈值的图像块归为同组，对同组图像块进行协同硬阈值滤波然后加权重组得到基础估计图像；然后根据搜索步长遍历基础估计图像中的所有图像块，在搜索范围内寻找与其相似度大于阈值的图像块归为同组，将同组图像块的基础图像块组和相同位置的原始图像块组进行协同维纳滤波后加权重组得到最终估计图像。
4.根据权利要求1所述的基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：步骤4包括以下内容：采用四方向的Sobel算子计算最终估计图像和引导滤波图像的梯度幅值以及方向。
5.根据权利要求1所述的基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：步骤5包括以下内容：遍历引导滤波梯度图像，根据x和y方向的梯度分量大小确定非极大值抑制的方向，比较当前像素点在抑制方向上是否为极大值，非极大值置零，为极大值则保留，保证不出现双边缘的情况，当在抑制方向上不存在像素点时通过比例进行插值计算。
6.根据权利要求1所述的基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：步骤6包括以下内容：将最终估计图像的梯度图像依据原先三维块匹配中的图像块分组情况分组，使用最大类间方差计算图像块组内的一个阈值，根据这个阈值确定在双阈值处理时的最佳双阈值。
7.根据权利要求1所述的基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：步骤7包括以下内容：遍历非极大值抑制图像的图像块按照最大类间方差计算出的最佳双阈值进行处理，高于高阈值的像素视为强边缘像素值置为255，低于低阈值的像素视为不是边缘置为0，高于低阈值且低于高阈值的像素视为弱边缘，判断其周围像素的像素值是否高于高阈值，如果高于高阈值则置为255，视为边缘。
8.根据权利要求1所述的基于三维块匹配的改进自适应阈值Canny边缘检测方法，其特征在于：步骤8包括以下内容：计算双阈值连接边缘图与低阈值分割图的差异图，对差异图中的每个非零像素点，在其为中心的5 × 5邻域内根据区域生长法寻找与其相连的边缘点，最后判断当前点是否为连续性较好的弱边缘点；若与之相连的边缘点个数大于等于 4，则判断该中心点是弱边缘点并保留，否则判为噪声点将其去除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110540449.7A CN113837198B (zh) | 2021-05-18 | 2021-05-18 | 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110540449.7A CN113837198B (zh) | 2021-05-18 | 2021-05-18 | 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837198A CN113837198A (zh) | 2021-12-24 |
| CN113837198B true CN113837198B (zh) | 2023-11-28 |
Family
ID=78962531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110540449.7A Active CN113837198B (zh) | 2021-05-18 | 2021-05-18 | 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837198B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115908415B (zh) * | 2023-01-06 | 2023-06-16 | 深圳新视智科技术有限公司 | 基于边缘的缺陷检测方法、装置、设备及存储介质 |
| CN116311079B (zh) * | 2023-05-12 | 2023-09-01 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的民用安防工程监测方法 |
| CN117557765B (zh) * | 2023-11-15 | 2024-04-09 | 兰州交通大学 | 一种基于APM-YOLOv7的小目标水漂垃圾检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
| CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
| CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
| CN109410230A (zh) * | 2018-09-07 | 2019-03-01 | 南京航空航天大学 | 一种可抗噪声的改进Canny图像边缘检测方法 |
| CN110428433A (zh) * | 2019-07-02 | 2019-11-08 | 西华师范大学 | 一种基于局部阈值的Canny边缘检测算法 |
| CN112233133A (zh) * | 2020-10-29 | 2021-01-15 | 上海电力大学 | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 |
-
2021
- 2021-05-18 CN CN202110540449.7A patent/CN113837198B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
| CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
| CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
| CN109410230A (zh) * | 2018-09-07 | 2019-03-01 | 南京航空航天大学 | 一种可抗噪声的改进Canny图像边缘检测方法 |
| CN110428433A (zh) * | 2019-07-02 | 2019-11-08 | 西华师范大学 | 一种基于局部阈值的Canny边缘检测算法 |
| CN112233133A (zh) * | 2020-10-29 | 2021-01-15 | 上海电力大学 | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| Research on Adaptive Canny Algorithm Based on Dual-Domain Filtering;Xiajiong Shen 等;Spring * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837198A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113837198B (zh) | 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 | |
| CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
| Ye et al. | Prewitt edge detection based on BM3D image denoising | |
| CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
| CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
| Liu et al. | Image denoising searching similar blocks along edge directions | |
| CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
| CN114943744A (zh) | 基于局部Otsu阈值化的边缘检测方法 | |
| CN113205494A (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
| CN112163606A (zh) | 基于块对比度加权的红外小目标检测方法 | |
| Ahn et al. | Segmenting a noisy low-depth-of-field image using adaptive second-order statistics | |
| CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
| Taghizadeh et al. | A hybrid algorithm for segmentation of MRI images based on edge detection | |
| CN112801903A (zh) | 一种基于视频降噪的目标跟踪方法、装置和计算机设备 | |
| Biswas et al. | A model of noise reduction using Gabor Kuwahara Filter | |
| CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
| Bi et al. | Adaptive blind image restoration algorithm of degraded image | |
| CN111429383B (zh) | 图像降噪方法及装置、计算机可读存储介质 | |
| CN114529518A (zh) | 一种基于图像金字塔与nlm的冷冻电镜图像增强方法 | |
| Vignesh et al. | Performance and Analysis of Edge detection using FPGA Implementation | |
| CN107451574B (zh) | 一种基于类Haar视觉特征感知的运动估计方法 | |
| Priyadharsini et al. | An efficient edge detection technique using filtering and morphological operations for underwater acoustic images | |
| Magdeev et al. | Improving the efficiency of the method of stochastic gradient identification of objects in binary and rayscale images due to their pre-processing | |
| Qu et al. | Contour detection based on SUSAN principle and surround suppression | |
| CN116452440A (zh) | 一种基于块匹配四维协同滤波的电子断层图像去噪方法 |
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 |