基于Canny算子改进的边缘检测算法

针对经典Canny算子在噪声去除、高低阈值选取和边缘断裂等问题,提出了1种改进的Canny算子边缘检测算法。首先用自适应中值滤波取代高斯滤波;然后采用改进的Otsu算法根据图像梯度幅值自适应地生成Canny算子的高、低双阈值;最后采用多特征融合技术修复断裂的边缘。实验结果表明,改进的算法具有较好的检测精度和抗噪声能力,能有效地修复图像断裂边缘,很好地控制断裂边缘的错误连接。     

基于角点的汉字特征提取与识别算法

在分析角点提取技术和基于边缘检测和模板匹配的角点提取方法的基础上,采用Sobel边缘算子进行角点提取,利用角点的坐标值匹配实现汉字识别,达到81.8%的汉字识别率.     

基于改进Canny算子的医学图像边缘检测算法

边缘检测作为图像分割的一部分,能够用于医学图像诊断。在医学图像获取过程中不可避免地会出现一些高频噪声,从而对属于高频分量的边缘产生干扰。传统Canny算子在高斯滤波去噪时会滤除一些边缘信息,且需要人为设定高斯滤波方差及高低阈值,缺乏自适应性。通过采用自适应中值滤波去噪,以及采用Sobel算子计算梯度幅值方向,并利用非极大值抑制对图像进行细化,最后利用Otsu计算图像高低阈值,从而对Canny算子进行改进,并在医学图像上进行实验。结果证明,该方法能更准确地检测边缘信息,且具备较强的自适应性。     

基于改进的各向异性扩散方程Canny的边缘检测算法

在计算机视觉中边缘检测是一个热门的研究领域。边缘检测能缩减大量数据并滤掉无用的信息,同时保护图像中重要的结构特征。Canny边缘检测算法是一个经典的算法,对此提出基于改进的各向异性扩散方程的检测算法,以克服传统算法对噪声的敏感性。传统Canny算法的双阈值需要人工赋值,针对不同的图像具有使用缺陷,因此,提出基于Otsu方法的自适应方法。实验表明,改进的算法有效地提高图像边缘检测的准确性,定位精确度高。     

基于改进SURF算法的机器人识别匹配方法

由于传统SURF匹配算法选取大量不符合预期的特征点,增加了后期匹配运算时间,导致不能满足工业级应用快速性的要求。提出一种改进的SURF算法,首先对摄像头获取的目标图像进行均值滤波处理,然后选择合理阈值、运用Canny算子对获取的目标图像进行边缘检测,再通过Hessian矩阵获取图像局部最值,并利用SURF算法对边缘图像进行匹配。仿真结果表明,该SURF算法在应用于工业机器人目标识别匹配时,既能减少匹配时间,又可以提高匹配准确度。     

自适应Canny算法在钢板缺陷边缘检测中的应用

为了更为准确地提取钢板表面缺陷,针对传统 Canny 算法的不足,提出一种改进型Canny边缘检测算法。该算法在平滑滤波部分采用自适应高斯滤波器,在滤除图像噪声的同时,可以保留更多图像边缘信息;采用8×8邻域代替Canny算法中2×2邻域计算梯度幅值;高低阈值的确定是根据图像的灰度均值和方差均值自动计算的。仿真结果表明,改进算法在钢板缺陷的边缘检测中可以准确地得到更多边缘细节,同时也能很好地抑制假边缘,且具有较强的自适应能力。     

基于Prewitt和Canny算法的边缘检测改进算法

介绍了Prewitt和Canny算法的基本原理和过程。针对两种算法的优点和缺陷进行融合,以实验为基础,提出了一种基于两者的改进算法。     

基于模板匹配的医用内窥镜影像目标识别算法

为了减轻医务人员劳动强度,同时为患者提供有效的辅助诊断信息,将自动识别追踪技术应用于医用内窥镜中,以辅助外科医生诊断与治疗,并为后续持镜机器人及手术机器人研发打下基础。对比模板匹配和边缘检测匹配两种算法之后,发现模板匹配方法容易受到光照影响,将两者综合后的算法对光照和像素迁移有很强的抗干扰能力,适合于医用内窥镜光照条件不足的应用环境。此外,引入的CamShift 算法以颜色特征作为第二匹配依据,可应对边缘不明显的情况。实验中分别对手术器械和胆囊进行模拟识别跟踪,实验结果表明,在该运动目标检测跟踪算法下,视频画面的帧速率稳定在30fps,不会出现卡顿情况,识别准确率达到了95%,并且在追踪过程中不会丢失目标。该算法原理简单、机理清晰,在实时性、鲁棒性等方面均可满足临床需求。     

基于多特征值的服装检测与识别算法

提出一种基于多特征值的服装检测与识别算法。通过人脸检测辅以Canny算子边缘检测实现对服装的精确定位,采用颜色直方图加以最小欧氏距离的组合方式提取特征值,设计贝叶斯分类器,将特征值进行正、负样本分类,最终实现对服装的识别。实验表明,该算法能够有效检测与识别服装,达到预期效果。     

自适应阈值Canny边缘检测算法研究

对Canny边缘检测算法进行了对比研究,分析了传统Canny算法存在的缺陷,提出了一种改进的自适应阈值Canny边缘检测算法。首先利用具有边缘保留功能的双边滤波器滤除噪声,然后运用基于梯度幅值的类间方差最大化算法(OSTU)来确定Canny算子的高低阈值,最后进行边缘检测与连接。实验结果表明,该改进算法很好地解决了传统Canny算法存在的缺陷,而且对光照的变化和场景变化具有很强的自适应能力,进一步扩展了Canny算法的应用范围。     

基于Web挖掘的专业文本特征提取方法研究

通过对专业信息自动分类的文本特征提取方法的分析研究,提出在文本分析时根据Web内容挖掘和结构挖掘的方法提取特征词条来建立文本特征空间,同时利用专业类别向量、专业词典技术可有效解决高维空间问题.     

基于改进Ganny算子的SAR图像边缘检测

Canny算子法是边缘检测的重要方法之一。本文从SAR图像乘性噪声的特点出发,通过增加前处理和更改核函数对Canny算子进行了改进,扩展了Canny算子在SAR图像边缘检测中的应用。仿真结果表明该算法提取的边缘丰富,同时又抑制了噪声。     

基于语音识别的定制服装量体平台构建

为了改善定制服装量体工作中经常发生数据重复整理、记录效率低、录入错误等情况,提升客户交互体验,设计开发了基于语音识别的量体师APP作为量体数据录入工具,并结合微信公众号构建完整的定制服装量体平台。该平台的应用使量体师录入及整理量体单花费时间减少了70%,整体量体周期缩短了30%,从而有效提升了服装量体工作效率。     

基于触控频率的用户身份识别方案

通过提取用户触控频率特征,和现有数字口令认证相结合,提出一种复合型用户身份认证方案。该方案记录了用户输入数字口令时的触控习惯,使用差别子空间生成触控特征向量,并以此作为密钥利用曼哈顿距离算法计算当前用户输入特征和密钥之间的差别,从而实现对用户身份的识别。实验证明该方案实现简单且FAR比较低。     

基于改进 AdaIN 的图像风格迁移

图像风格迁移技术是指给定内容图和风格图,利用机器学习算法将内容图渲染成具有艺术风格的画作。针对传统图像风格迁移算法无法兼顾速度与生成图像质量等问题,基于 AdaIN 算法,提出 AdaIN 改进算法。在原始 AdaIN 网络中加入内容图像的深度信息计算模块,提取内容图像的深度图,通过将迁移图像数据与深度图归一化处理后的数据按元素相乘的方法,突出内容图的深度信息,使得输出的风格迁移图像各深度下具有不同的风格化程度。实验表明,相较于 Gatys 等种传统风格迁移算法,AdaIN 改进算法在运行时间上可降低约 11%;不需要针对每种风格单独训练网络,避免了模型重复训练;内容图像深度信息得以保存,提高了图像渲染质量。     

基于Faster R-CNN的服装目标检测改进方法

为了满足近年来在服装电子商务高速发展背景下急剧增长的服装图像分类与定位需求,实现对服装图像的目标检测,提出基于Faster R-CNN的服装目标检测改进方法。借助残差神经网络的特征提取能力进行服装图像特征提取,采用RPN网络进行服装候选区域生成,经过RoI兴趣区域池化后接入分类层与回归层,调整网络结构,融合服装图像的HOG底层特征,从而针对性地实现对服装图像的目标检测。实验结果表明,该方法构建模型的平均准确率为0.902,运行速度为8.9帧/秒,具有一定的实用价值。     

基于改进Canny算子边缘检测和数学形态学的车牌定位算法

车牌识别系统已经成功进入智能交通领域,其中车牌定位是车牌分割和车牌识别能顺利展开的基础。首先使用边缘检测改进canny算子进行一次粗定位,大致确定车牌所在区域;再对边缘检测后的二值图像进行膨胀、腐蚀等一系列数学形态学操作,完成车牌二次精确定位。根据实验结果表明,这种算法能够避免一定的噪声影响,解决目标图像噪声干扰及边缘模糊的问题,具有一定的鲁棒性。     

基于改进Canny法的在线轴承尺寸视觉检测系统

开发了适应在线检测需要的轴承尺寸机器视觉检测系统.对图像进行了二次滤波预处理后,采用改进的Canny边缘检测算法,使系统达到了较高的检测精度.检测结果表明,系统具有非接触、速度快、精度高、现场抗干扰能力强等优点.     

改进的线性判别回归分类人脸识别算法

对线性回归分类算法进行了改进。考虑了线性回归分类算法中没有考虑的类间信息,通过选择类模式的投影方向判别不同类的模式,不同类的模式互相远离,相同类的模式尽可能靠近来估计投影矩阵;再利用投影矩阵将训练图像及测试图像投影到各类的特征子空间;最后,计算出测试图像与训练图像间的距离,利用K-近邻分类器完成人脸的识别。在FERET人脸数据库上进行实验验证。实验结果表明,相比其他回归分类算法,本算法取得了更好的识别效果。     

谈服装形式的表现

在人类悠久的服饰文化中，那些渐渐形成的传统与现代、古典与浪漫、质朴与华丽的风格特点，给人们带来了丰富的想象和生动的观感，是推创多姿多彩的服装所不可缺少的。